可复现性

研究人员开发出agrepl框架，通过中间人代理记录AI智能体执行轨迹，实现完全隔离的确定性重放，显著提升LLM智能体调试效率。

研究发现，当AI评测基准达到准确率饱和后，不应简单废弃，而应转向评估构造有效性、泛化能力、效率等六个关键维度。CORE-Bench案例展示了超越准确率的全面评估方法。