待验证50% 置信事实精确时间
AlexBench 是一个侧重代理式任务与真实工作流的自动化评估集合，强调端到端完成度，对测试框架依赖明显。
1
来源数
50%
置信度
长期有效
时效性
2026/10/18
首次发现
来源
涉及实体
相关事实
待验证智能体基准测试（agentic benchmark）与传统单轮问答评测有本质区别，前者模拟完整工作流程，要求模型自主分解任务、调用工具、维护多步中间状态并交付可验证结果。70% 相似待验证Automation Bench以任务最终是否完整完成作为核心判定标准，而非中间步骤正确率69% 相似已验证Terminal-Bench是专门评估AI模型在命令行环境中执行复杂任务能力的基准测试，涵盖文件操作、脚本编写、系统调试等场景69% 相似待验证MC-EvoBench 将每个任务建模为一张任务状态图，并定义阶段级别的环境验证器确认智能体是否达到某个中间状态68% 相似待验证Prism基准测试侧重衡量AI编程智能体在端到端任务中的实际可用性，通常包含代码生成、调试、跨文件修改等子任务68% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1059484API
curl https://kongchang.com/api/v1/knowledge/claims/1059484MCP
get_claim(id=1059484)