Terminal-Bench 两任务因 Debian 源失效被修复

Pawel Huryn 回应 evalstate 对 tb-21 评测的疑问，承认 qemu-startup 和 qemu-alpine-ssh 两个任务失效，原因是其镜像基于已失效的 Debian 11 源，现已修复。他还补充了评测运行细节：每个任务按各自默认时限运行，范围为 10 至 200 分钟，设置时间不计入 agent 用时，唯一改动是将环境设置时限放宽 3 倍，因为多个 harness 在设置环节需要更多时间。

2026-11-06 ~ 2026-11-06 · 2 条相关