Agent Arena的长任务评测方法
arena · x · 2026-07-15
转发内容介绍了 Agent Arena 的评测思路：随着任务越来越复杂、越来越 agentic，模型评估也变得更难，因此需要更贴近真实世界的长周期评测。 他们用因果追踪方法来评估长时程智能体，在全球用户社区的数百万个真实长任务上衡量表现；同时把丰富的人类反馈信号和行为轨迹聚合起来，构建更能反映模型真实能力的评测和排行榜。上文引用的 The Information 也提到，研究者正在寻找更难的测试来跟上模型能力。