本研究提出了AutoLibra框架，解决了传统代理评估粗糙且依赖专家设计的问题。通过开放式人类反馈，AutoLibra能够生成细粒度评估指标，并在文本游戏任务中提升代理性能20%。

本研究提出了GLIDER，一个强大的3B评估LLM，旨在解决闭源LLM评估模型在细粒度指标和可解释性方面的不足。GLIDER在FLASK上的表现优于GPT-4o，与人类评判的一致性高达91.3%。