待验证50% 置信事实精确时间
SWE-bench和WebArena是Agent范式下的典型评估基准
1
来源数
50%
置信度
长期有效
时效性
2026/9/18
首次发现
来源
涉及实体
相关事实
待验证Agentic基准评测通常涉及SWE-bench、WebArena、GAIA等多个子基准的加权综合75% 相似待验证HumanEval、SWE-bench等代码评测基准的排名是评估执行型Agent底层模型选型的重要参考维度74% 相似待验证学术界代表性Agent评测基准包括WebArena、AgentBench和ToolBench，均将执行轨迹作为核心评测维度74% 相似待验证Agent 评估当前主流方案分为三类：基于确定性断言的任务完成率、LLM-as-Judge、端到端基准测试集（如 SWE-Bench、WebArena）70% 相似待验证SWE-bench 涉及跨文件依赖分析、版本兼容性判断、回归测试通过等高阶能力，难度比 HumanEval 等写函数类基准更贴近真实工程场景67% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/931086API
curl https://kongchang.com/api/v1/knowledge/claims/931086MCP
get_claim(id=931086)