智能体基准测试

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。

常规智能体基准测试的绝对分数普遍偏低，即便是领先模型在法律工作测试中也只有不到 20% 的得分，因为任务本身模拟的是人类专家需数小时甚至数天完成的工作。