NUWA RESEARCH RECORD
AI Agents That Matter
原始文献 ↗ · BibTeX · RIS核心观点是控制评测成本，区分模型研究和下游选型，并用有意义的留出任务检验泛化。
研究问题
什么样的智能体评测能帮助研究和部署判断？
设计与前提
作者分析准确率与成本的权衡、复核智能体比较，并检查留出集与评测标准化。
研究发现
核心观点是控制评测成本，区分模型研究和下游选型，并用有意义的留出任务检验泛化。
局限与反证
这些是有实验依据的方法建议，不是前沿风险分数；成本依赖使用方式与价格，文中案例不能用于当前模型排名。
来源证据
当前阅读包尚无结构化数值提取。
阅读范围与复核
Selected original HTML sections and table context; not a complete paper/appendix audit or independent reproduction.
模型辅助整理，独立证据复核待完成。
核对原始来源 ↗