TraceTrial-Bench：评测AI Agent Harness可靠性的新基准

研究者在 arXiv 发布 TraceTrial-Bench 基准，用于评测 LLM Agent harness 的可靠性并对其失败进行归因。据论文介绍，该基准把 harness 可靠性分为七个维度：上下文、执行、治理、生命周期、可观测性、工具和验证。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。