卷起来！让智能体评估智能体，Meta发布Agent-as-a-Judge

本论文作者主要包括德国计算机科学家、LSTM 之父 Jürgen Schmidhuber；Meta AI 研究团队（FAIR）研究科学家总监田渊栋，他负责领导大语言模型（LLMs）在推理、规划和决策方面的研究团队，主导了 OpenGo、StreamingLLM 和 GaLore 项目，专注于提升大模型的训练和推理效率；Vikas Chandra，Meta Reality Lab AI 负责人；诸葛鸣晨，Meta 研究科学家实习生，同时在沙特阿卜杜拉国王科技大学（KAUST）攻读博士三年级，师从Jürgen Schmidhuber，GPTSwarm 第一作者，MetaGPT 共同第一作者；Zechun Li，Meta Reality Lab 研究科学家，MobileLLM 的第一作者；Yunyang Xiong，Meta Reality Lab 高级研究科学家，EfficientSAM 第一作者。

如果说去年大厂的竞争焦点是 LLM，那么今年，各大科技公司纷纷推出了各自的智能体应用。

微软发布了 Copilot，Apple 将 Apple Intelligence 接入了 OpenAI 以增强 Siri。多智能体也是 OpenAI 未来重要的研究方向之一，这家公司的最新成果 ——Swarm，一个实验性质的多智能体编排框架在开源后引起了热烈讨论，有网友表示这能帮助简化许多潜在多智能体用例的工作流程。

扎克伯格更是断言：「AI 智能体的数量可能会达到数十亿，最终甚至超过人类。」在 Meta Connect 2024大会上，Meta 推出了接入 Llama 3.2 的智能眼镜 Orion 和升级版 Quest 3S，显示出智能体正在迅速渗透进 Meta 的各个应用领域。

近日，Meta 提出了 Agent-as-a-Judge 的概念，被视为智能体优化方面的又一重要成果。传统的智能体评估方式往往只关注最终结果，忽略了执行过程中的关键细节，或依赖大量人力进行评估。为了解决这一痛点，Meta 推出了用智能体评估智能体的新方法，使评估过程更加灵活且自动化。

该框架在 LLM-as-a-Judge 的基础上进行了升级，增加了中间反馈功能，确保任务的每个环节都能得到精准评估与优化，同时还能有效模拟并接近人类反馈。

为了克服现有基准存在的问题，并为 Agent-as-a-Judge 提供一个概念验证测试平台，研究者还提出了 DevAI，一个包含 55 项现实自动人工智能开发任务的新基准。它包括丰富的手动注释，如总共 365 个分层用户需求。

Agent-as-a-Judge：智能体评估智能体

Agent-as-a-Judge 框架最大的亮点在于其与人类评估者的高度一致性。在实验中，该框架的评估结果与人类专家的对齐率高达 90.44%，远超 LLM-as-a-Judge 的 70.76%。这一结果表明，智能体在处理复杂任务时，能够像人类一样精确地判断并修复问题，极大地减少了对人工评估的依赖，同时显著提高了效率。

显著的效率提升。实验表明，Agent-as-a-Judge 在效率上也具有明显优势。与人类评估者耗费 86.5 小时相比，Agent-as-a-Judge 仅需 118.43 分钟就能完成相同任务，大幅节省了时间和成本。评估 55 个任务的总成本仅为 30.58 美元，平均每个任务的评估费用仅为 0.55 美元，显示了极高的性价比和工作效率。

填补评估中的反馈空白。当前，智能体评估方法普遍缺乏中间反馈机制，只关注最终结果，忽视了任务执行中的关键步骤。智能体在解决复杂问题时，通常像人类一样，逐步思考并解决问题。因此，评估不仅应该关注结果，还需考察每个步骤的思维过程和行为轨迹。Agent-as-a-Judge 通过提供中间反馈，填补了这一空白，标志着智能体评估进入了一个新的阶段。

数据集挑战与系统表现。实验还揭示，即使是表现较好的智能体系统（如 GPT-Pilot 和 OpenHands）也仅能满足 DevAI 数据集中约 29% 的任务需求，任务完成率有限，凸显了该数据集的挑战性。在与人类专家评估的对比中，Agent-as-a-Judge 表现出色，达到了 90% 的对齐率，而 LLM-as-a-Judge 仅为 70%。更值得注意的是，Agent-as-a-Judge 的表现甚至优于单个专家评估者，意味着在某些情况下，该框架不仅能够替代人类评估，还可能更加有效。

高性价比与潜力。通过节省 97.72% 的时间和 97.64% 的成本，Agent-as-a-Judge 展示了其在 AI 评估中的巨大潜力。它为智能体技术的发展提供了强有力的支持，标志着 AI 评估工具迈向了更高效和低成本的新纪元。

行业趋势与 Cognition AI。值得注意的是，近期获得融资的 Cognition AI 也采取了类似思路，即使用智能体来评估智能体，这显示出这一概念正在成为业界的一个重要趋势（更多信息请参见：https://www.cognition.ai/blog/evaluating-coding-agents）。

综上，Agent-as-a-Judge 的提出有如下价值：

（1）智能体自我改进的中间反馈机制

Agent-as-a-Judge 的一个核心优势在于其提供的中间反馈，这对于实现智能体的高效优化至关重要。尽管在本研究中这一潜力尚未被充分发掘，但它的作用已经初见端倪。通过学习辅助奖励函数，能够解决强化学习中的稀疏奖励问题，提供关键的中间反馈。Agent-as-a-Judge 框架的亮点在于，它使智能体在处理复杂、多阶段问题时，能够实时发现并修复解决方案中的问题，而传统的延迟反馈机制难以做到这一点。引入 Agent-as-a-Judge 后，为构建智能体版本的过程监督奖励模型（PRM）打开了大门，从而进一步提升智能体的优化效率。

（2）由 Agent-as-a-Judge 驱动的飞轮效应

Agent-as-a-Judge 和被评估智能体之间的相互改进，通过不断的迭代反馈逐步演进，这一循环展示了广阔的发展前景。通过将 Agent-as-a-Judge 作为核心机制，或许能够催生出一种智能体自我博弈系统。随着 Agent-as-a-Judge 与被评估智能体的持续交互，这种过程可能会产生飞轮效应 —— 每次改进相互强化，从而不断推动性能的提升。这种迭代不仅能增强智能体系统的能力，还可能成为 LLM 推理数据的重要补充，有助于将智能体的能力更好地嵌入基础模型中，进一步拓展智能体系统的潜力。

DevAI：从用户角度出发的 AI 自动化数据集

过去一年中，LLM 智能体系统的能力显著提升，从解决简单的「玩具问题」逐步扩展到处理复杂的实际任务。然而，大多数现有的评估方法和数据集仍然基于为基础模型设计的标准，难以全面反映智能体在现实任务中的表现和挑战。以 HumanEval 和 MBPP 等数据集为例，尽管它们在评估基础模型的算法能力方面有效，但在代码生成等领域，现有方法过于依赖最终结果，无法捕捉开发者在现实任务中遇到的复杂性和动态过程。

尽管 SWE-Bench 尝试引入更接近现实的评估标准，但它依然主要依赖「解决率」（resolve rate），这一指标未能提供开发过程中每个阶段的具体反馈，也难以捕捉智能体系统的动态表现。因此，这类评估标准无法准确反映智能体在实际任务中的真实能力。

相关研究甚至表明，即使不具备智能体特性，模型也能达到 27% 的解决率。此外，激烈的竞争还引发了对 SWE-Bench 得分真实性的担忧，许多高分可能通过对独立任务的过拟合获得，无法真实反映智能体的实际能力。

鉴于此，迫切需要新的评估方法来弥补这些不足。为此，Meta 推出了专门为智能体系统设计的 DevAI 数据集。DevAI 涵盖了 55 个 AI 开发任务，涉及监督学习、强化学习、计算机视觉和自然语言处理等领域。每个任务包含用户查询、365 个任务需求和 125 个偏好标准。

与传统评估方法不同，DevAI 不仅关注任务的最终结果，还跟踪并评估任务执行过程中的每个阶段，从而提供更全面的反馈（图 4 所示）。虽然这些任务规模相对较小，但它们真实反映了开发中的实际问题，且计算成本较低，适合广泛应用。值得注意的是，DevAI 不关注「玩具」数据集（如 FashionMNIST）上的高分表现，而更注重智能体在处理现实任务中的能力。此外，DevAI 采用有向无环图（DAG）结构排列任务需求，确保评估具备层次性，不再依赖简单的成功或失败判断，而是要求智能体具备更深入的解决问题能力。未来，代码生成领域的标准评估方法可能会采用类似 DevAI 这样的数据集，提供中间反馈，以模块化提升智能体的能力；在能力提升后，使用 OpenAI 的 MLE-Bench 进一步评估智能体解决复杂问题的能力。

收集人类专家评估

人类评估设置

在完成基线执行结果和基本统计分析后，研究团队邀请了三位具备 5 年以上 AI 开发经验人类专家评估员（匿名为 231a、38bb 和 cn90）对 AI 开发者的基线输出进行审查，评估每项需求是否得到了满足。评估分为两轮。为了尽量捕捉人类评估中常见的偏差（模拟实际部署场景），在第一轮中，评估员讨论了基本标准。虽然允许评估员带有个人偏好，但评估过程需基于统一的标准进行。在第一轮评估完成后（总计约 58 小时），评估员再次进行讨论，进一步修正和达成一致意见，确保评估结果更加统一和一致。这一过程共耗时 28.5 小时，最终的共识作为每种方法的最终人类评估结果。

性能分析。实验结果显示（如表 2），表现最好的两种方法 ——GPT-Pilot 和 OpenHands—— 仅能满足约 29% 的需求（忽略前提条件后为 44%），且仅在一个任务中满足了所有要求。这表明 DevAI 为当前及未来的智能体方法设定了较高的挑战性。此外，正如第 2 节所讨论的，DevAI 不仅揭示了任务最终结果，还通过反馈揭示了智能体在任务过程中出现的问题，为评估提供了更丰富的层次。

错误分析。在实验中，评估员在初步评估后进行了深入辩论，直到他们对每个任务的需求达成一致意见。共识评估（consensus）通过这种方式模拟实际情况，减少了个体评估中的偏差。在 Human-as-a-Judge 框架下，评估员可以通过讨论和证据修正自己的判断，从而调整评估结果。这种方式也用来近似估计个体的错误率。理论上，集体讨论达成的共识应比任何个体评估更接近真实结果。

虽然共识评估可能并不完美（某些错误仍然存在），但相较于个体评估，理论上共识评估应更接近真实结果。如图 5 所示，实验结果证实了这一假设。尽管评估员之间的错误率有所不同，但多数投票有效地修正了大部分错误。例如，评估员 cn90 在评估 GPT-Pilot 时犯下了最多的错误（错误率达 23.77%）。然而，通过多数投票（majority vote），三位评估员的整体错误率降低至 6.01%，显示了多数投票在减少评估偏差方面的优势。

结论。人类评估中的错误是不可避免的。为减少这些错误，研究提出了两种策略。第一，像本研究一样，在每次评估后引入讨论环节，评估员可以根据新的证据调整他们的判断。这一方法在评估员数量较少时尤其有效，因为小组评估中的多数投票仍可能产生一定误差（如图 5 所示，相比共识评估大约有 5% 的错误率）。第二，组建更大的专家团队来提高评估的准确性。研究表明，当评估员人数超过 5 人时，评估准确性有望超过 50%。然而，由于动员更多专家的成本较高，实践中这种方法并不总是可行。因此，本研究更倾向于通过讨论和共识投票来减少评估中的偏差。

使用

目前，作者已在 GitHub 上提供了开源代码，支持对任意工作区（workspace）进行提问，并通过 Agent-as-a-Judge 功能在 DevAI 数据集上进行自动评估。未来的开源智能体评估将进一步改进，首先利用 DevAI 对中间过程进行判断和优化，最终通过类似 MLE-Bench 的工具测试智能体的整体性能。