Sixtyfourの共同創業者Saarth Shah氏は、AI研究ツールが言語モデルの出力をそのまま信頼するのではなく、成果を採点してから反映する仕組みを構築したと説明しました。
同社は「Eval Stack」と呼ぶ評価手法で、研究エージェントの各ビルドをスコアで判定します。
採点に使う質問は、専門家チームが手作業で作成し、回答を検証する運用です。
その結果、Sixtyfourはエージェントの変更を行う際に、スコアが改善した場合にのみ研究成果として出荷するとしています。
Shah氏は、開発のたびにスコアボードで進捗を追跡し、主張ではなく検証によって妥当性を示す方針だとしています。
参照元：2026/07/11 「The Eval Stack: Proving the agents are right instead of claiming It」 https://thenextweb.com/news/the-eval-stack-proving-the-agents-are-right-instead-of-claiming-it
この記事へのリアクション
このニュースをどう受け止めましたか？
Reader Reaction
コメント