#benchmark

agent-evaluation · long-term-memory · benchmark · synthetic-data · robotics

为多成员家庭机器人设计长期记忆合成数据流水线，重点评测跨成员、跨会话的信息归属与召回。

落地五段式 typed pipeline，让同一家庭中的不同成员拥有可区分、可审计的记忆事实与自然会话。

benchmark · browser · evaluation · systems · quality-assurance

以外部评测者身份复现浏览器引擎 benchmark，并检查统计口径、资源指标、并发覆盖与发布就绪度。

识别高方差、macOS 资源指标缺失、并发覆盖不足与横向比较缺失；9 项发布门槛中 8 项当时未满足。

agent-evaluation · benchmark · statistics · ai-research

为 openclaw 类个人助理设计一套带统计置信度的 Agent 评测框架，而不是只看“演示效果”。

建立 statistical confidence、judge agreement、coverage 与 cross-run stability 四支柱框架；另一条工作流新增并接入 40 个 RPA、IM、跨系统与邮件任务。