待验证50% 置信基准精确时间

学术界代表性Agent评测基准包括WebArena、AgentBench和ToolBench，均将执行轨迹作为核心评测维度

1

来源数

50%

置信度

长期有效

时效性

2026/7/17

首次发现

来源

Agent性能评估：三层体系拆解与工程落地指南

相关事实

待验证HumanEval、SWE-bench等代码评测基准的排名是评估执行型Agent底层模型选型的重要参考维度72% 相似待验证Foundry提供内置评估器，涵盖相关性、流畅性、基础性和Agent行为评估等指标71% 相似待验证当前Agent评测的探索方向包括LLM-as-Judge、轨迹相似度比对以及基于人类反馈的在线评测70% 相似待验证Agentic基准评测通常涉及SWE-bench、WebArena、GAIA等多个子基准的加权综合70% 相似待验证锚定样本技术在评估提示词中加入已由人类专家标注明确分数的示例，覆盖评分量表各个档位，可帮助裁判模型准确理解评分标准68% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/541553

API

curl https://kongchang.com/api/v1/knowledge/claims/541553

MCP

get_claim(id=541553)