待验证50% 置信事实精确时间
Agentic基准评测通常涉及SWE-bench、WebArena、GAIA等多个子基准的加权综合
1
来源数
50%
置信度
长期有效
时效性
2026/8/8
首次发现
来源
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70% 相似待验证本次评估框架包含 ARC-AGI-V2、SWE-Bench、Terminal Bench 2.0、GPQA 和 MMLU 五项基准测试64% 相似待验证交易Agent在评估环节综合考虑经验库、当前仓位、信号质量和风险等级四个维度64% 相似待验证完整的Agent评估体系通常包含三类方式：基于规则的评估、基于参考答案的相似度评估（如BLEU、ROUGE）、以及LLM-as-Judge63% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/707049API
curl https://kongchang.com/api/v1/knowledge/claims/707049MCP
get_claim(id=707049)