标签：基准测试

如何科学评估一个 Agent 的好坏？从 MMLU 到 GAIA 与 AgentBench 评测标准的演进

传统的选择题考试刷榜已经无法反映 Agent 的真实工作能力。详解多模态、长链路工具调用与实际环境操作评估的核心指标与基准设计。