待验证50% 置信事实精确时间
Terminal-Bench 的得分受智能体脚手架（scaffold）和重试策略影响较大，跨模型比较需确认评测条件一致。
1
来源数
50%
置信度
长期有效
时效性
2026/10/23
首次发现
来源
涉及实体
相关事实
待验证TrialPD-Bench的评估范围不限于最终答案正确性，还包括智能体轨迹的证据召回率、智能体行为模式和成本。76% 相似待验证Terminal Bench检验的是模型能做什么而非知道什么，测量的是模型规划、执行、观察反馈并纠错的完整闭环能力74% 相似待验证LOADBench 的逆尺寸设计任务的评价指标通常包括最终性能达标率、仿真验证通过率以及与真实帕累托前沿的接近程度。74% 相似待验证该基准测试并非 SWE-bench 或 Terminal-Bench 风格的任务，而是对真实应用的长周期 agentic 构建，评分检查项由团队自己编写，可能带有盲区。69% 相似待验证ScopeBench采用双臂评分机制：有范围条件下的轨迹先经过确定性验证器，未通过则由代理裁判（Agentic Judge）估计是否发生越界调用69% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1091982API
curl https://kongchang.com/api/v1/knowledge/claims/1091982MCP
get_claim(id=1091982)