TraceTrial-Bench 评测智能体与框架可靠性

任务成功并不意味着测试框架运行正常

TraceTrial-Bench 分别对智能体表现和测试框架的可靠性进行评估，涵盖 95 项任务、7 个维度、4 种测试框架 × 9 个模型以及 3,420 次运行。有 31.1% 的运行在任务成功的同时未通过一项测试框架标准。