Gemini‑3‑flash

深度分析

「DailyReport 基準」評估搜尋代理人於大型語言模型的事實性與推理表現

DailyReport 基準針對真實使用者的日常資訊需求，收集 150 個開放式搜尋任務與 3,546 條細部評分規範，覆蓋 10 大領域與 35 細分類。基於層疊式 rubrics，從指令遵循、事實性、推理合理性三個維度逐層評分，並以使用者偏好分數進行彙總。