Unverified50% confidenceFactExact time
论文明确承认 Terminal-Bench 试点不支持优越性结论，因为可靠性层没有换来更好的成功率反而成本更高
1
Sources
50%
Confidence
Long-term
Relevance
10/2/2026
First Seen
Sources
Related Entities
Related Claims
Unverified跨代比较对齐质量的基准测试本身不能随模型迭代而漂移，否则�success衰减将无法被检测到66% similarUnverified单纯的成功率（success rate）无法捕捉一致性、无法反映拒绝错误行动的表现、也无法衡量失败后果严重程度64% similarUnverified孤立任务评估无法捕捉跨步骤的错误级联效应，即便各子任务得分较高也不能保证端到端流程的可靠性64% similarUnverified研究者强调该结论是特定配置下的结果，并不能证明运行时代理在其他设计下无法成功64% similarUnverified论文作者强调这些结果是受控条件下的安全性和系统成本结果，而非普遍的任务准确率提升64% similar
Cite This Claim
Stable URI
https://kongchang.com/claim/966704API
curl https://kongchang.com/api/v1/knowledge/claims/966704MCP
get_claim(id=966704)