基准测试中的残差：长时程评估在匹配短任务表现之外带来了什么

英文标题：Benchmarking the Residual: What Long-Horizon Evaluations Add Beyond Matched Short-Task Performance

论文指出，长时程基准测试通常显示，随着任务流程变长，Agent 的失败率会上升。这一现象对部署评估具有参考价值，但仅凭失败率随任务长度增长，并不能直接解释失败原因。更多任务阶段会增加常规错误累积和放大的机会。原文提供的摘要在此处截断，未包含进一步的实验数据、方法或结论细节。

2.1 KB 640 B 612 B 380 B 9.1 KB 32.7 KB 22.8 KB 24.2 KB 34.7 KB