Reddit 用户呼吁众包多语言 Agent 基准，摆脱英文评测真空

Prestigiouspite · reddit · 2026-10-24

Reddit 用户发帖指出现有基准大多只测英文，而全球大部分人口并不使用英文；从 SWE Pro 到 DeepSWE 的停滞，说明当前评测某种程度上在「真空」中进行。

他提议一种「集体基准」模式：没人掌握完整题库，每人贡献 2-4 个由 3-4 人小组设计并验证的外语 Agent 任务，覆盖创意写作、商务邮件、复杂编码，以及 UI 创意、UX、内容查重、压缩与法律问题等维度。帖子在征集是否有类似众包倡议存在。