AI Agent
多 Agent 团队到底值不值？50 个全栈应用实测：成本涨 1.8–5.1 倍，只有一种组合显著涨分
"多 Agent 更强"这句话，在这项 50 个全栈应用的基准上只对一种组合成立。Vals AI 把 8 种设置各跑 50 个应用：团队成本 1.8–5.1 倍，唯一统计显著的涨分是 Sol 中等强度团队的 +7.3 分；Opus 得分最高的组合 $122/应用，领先不显著。两个 lead 的编排风格也完全不同。
基准测试
LLM 评测
基准分数为什么不可复现？UK AISI 与 EvalEval 用共享规范补评测报告的缺口
同一个模型、同一个基准，换一套评测协议或推理预算，分数就可能不一样——这就是评测报告的"不可复现"问题。UK AISI 加入了 EvalEval 的共享基建：用 Every Eval Ever 规范和 Evaluation Cards 公开 5 个基准、6 个前沿模型的验证结果与方法细节。本文完整编译：HLE 随 token 预算变化的曲线、Terminal-Bench 2.0 的跨设置对比，以及参与方式。
AI Agent
智能体说"搞定了"，数据库不同意：ThinkingBox 用终态给 Agent 打分
一个退款工单，9 次工具调用全部合规，数据库终态却是错的。微软 ThinkingBox 用"终态 + 重复 20 次"重新定义智能体评测：121,680 次有效试验中，近八成失败的模型其实"看起来像成功"。本文完整编译：pass@1 / pass@20 / 20/20 的区别、一致性成本，以及失败特征。