概念智能体基准测试
Agent benchmark
评估AI智能体能力的标准化测试集，通常由预设任务、评分规则和参考结果构成，核心指标为任务成功率，但较少记录过程中的行为轨迹
时间轴 (近 90 天)
10月27日
传统Agent benchmark的核心指标是任务成功率，较少记录智能体执行过程中对中间人、工具或协作方说了什么、做了什么。
待验证50%
评估AI智能体能力的标准化测试集，通常由预设任务、评分规则和参考结果构成，核心指标为任务成功率，但较少记录过程中的行为轨迹
传统Agent benchmark的核心指标是任务成功率，较少记录智能体执行过程中对中间人、工具或协作方说了什么、做了什么。