基准测试

AI智能体失败在执行而非智能：720次基准测试揭示执行税

根据一项基于720次浏览器智能体运行的基准测试报告，AI智能体的主要瓶颈并非推理能力不足，而是执行可靠性问题。报告指出，某些模型高达22.9%的推理调用因输出格式错误而浪费，并提出了“智能体执行税”概念。