Agent 基准也会烂：Terminal-Bench 三成任务有缺陷，修复后分数集体上涨 10 个点

掘金 · score 44.0 · 11/6/2026, 4:19:06 PM

打开原文查看来源榜单

摘要

斯坦福 Ré 组把「基准会腐烂」这件事工程化了：基准发布后模型进步、依

原始内容

斯坦福 Ré 组把「基准会腐烂」这件事工程化了：基准发布后模型进步、依