AgentBench
一个多环境综合评估AI智能体的基准，覆盖多种操作环境，以单次任务成功率为核心指标。
核心事实
时间轴 (近 90 天)
AgentBench和WebArena是静态基准的例子，提供可复现的测试集但容易过拟合。
业界 Agent 评测正在从静态数据集转向动态、交互式的环境评测，如 AgentBench、WebArena 等，重点考察模型在真实工具环境中的决策质量与安全性。
AgentBench和ToolBench的测试场景大多仍为预设脚本，与真实生产中工具返回值的不确定性和错误多样性存在明显差距
WebArena、AgentBench、τ-bench等面向Agent能力的基准测试环境仍以沙盒模拟为主，难以捕捉生产级系统中真实的数据噪声、权限边界、延迟抖动与错误传播链条
AgentBench是专门针对Agent的基准测试集
WebArena、ToolBench 和 AgentBench 是当前主流的 AI Agent 基准，分别侧重网页操作、工具调用和多环境综合
在需要5步以上操作的任务中，最强模型的成功率会从首步的80%以上骤降至后续步骤的40%甚至更低，呈现指数级下降特征
AgentBench由清华大学等机构的研究团队于2023年提出，论文发表于ICLR 2024，是首个系统性评估LLM作为Agent能力的多维度基准
智能体评估基准测试套件包括GAIA、AgentBench和SWE-bench
全部知识事实 (10)
AgentBench覆盖操作系统、数据库、游戏等8类环境，综合评估Agent的多域适应性
65%待验证AgentBench和WebArena是静态基准的例子，提供可复现的测试集但容易过拟合。
50%待验证业界 Agent 评测正在从静态数据集转向动态、交互式的环境评测，如 AgentBench、WebArena 等，重点考察模型在真实工具环境中的决策质量与安全性。
50%待验证AgentBench和ToolBench的测试场景大多仍为预设脚本，与真实生产中工具返回值的不确定性和错误多样性存在明显差距
50%待验证WebArena、AgentBench、τ-bench等面向Agent能力的基准测试环境仍以沙盒模拟为主，难以捕捉生产级系统中真实的数据噪声、权限边界、延迟抖动与错误传播链条
50%待验证AgentBench是专门针对Agent的基准测试集
50%待验证WebArena、ToolBench 和 AgentBench 是当前主流的 AI Agent 基准，分别侧重网页操作、工具调用和多环境综合
50%待验证AgentBench由清华大学等机构的研究团队于2023年提出，论文发表于ICLR 2024，是首个系统性评估LLM作为Agent能力的多维度基准
50%待验证在需要5步以上操作的任务中，最强模型的成功率会从首步的80%以上骤降至后续步骤的40%甚至更低，呈现指数级下降特征
50%待验证智能体评估基准测试套件包括GAIA、AgentBench和SWE-bench
50%