Agent 評測與可靠性

Agents Are Systems, Not Models 精讀：Agent 評測不能只看模型分數

這篇 AI4Science 研究拆解任務資訊、推理、驗證、時間預算與 backbone 如何共同影響 Agent。主實驗中，同一設定重跑噪音約占有效嘗試分數變異的 54%；但結論只來自四個科學任務，不能直接外推成所有 Agent 的定律。