Agent 评测指标之争：该看 token 与轮次，还是只看钱和时间

围绕 agent 评测该用什么指标，社区展开讨论。xeophon 认为 token 数和轮次(turn)数是人为设定、难以测量且近乎无用的指标，真实世界的 agent 评测只应关注花费的金额和 wall clock 时间，Terminal-Bench 4.0 即设 8 小时上限而非限制轮次。但 @langstonnashold 提出反驳：评测成绩不应受基础设施影响，而 wall clock 会不公平地惩罚基建较差的部署，如共置 sandbox、低延迟模式和负载差异等。

2026-09-17 ~ 2026-09-17 · 3 条相关

• 评测成绩不该被基建绑架：turn 数难以定义成 agent 评测死结 — langstonnashold · 2026-09-17
• Agent 评测限时不设关卡：8 小时 wall clock 上限够用吗 — xeophon · 2026-09-17
• 「只看钱和时间」：tokens 与 turns 是无用的人造评测指标 — xeophon · 2026-09-17