← 返回 AIRadar 首页

AK 转发展望 TraceTrial-Bench：主张将智能体表现与测试框架可靠性拆分评估

新基准 TraceTrial-Bench 指出任务成功不代表测试环境可靠，提出将 Agent 自身性能与测试框架（Harness）有效性独立打分，直击智能体评测虚假繁荣痛点。