AgentBench Arena 开源智能体评测平台

Team Anicca 开源了 AgentBench Arena，用于让不同语言或框架的 AI 智能体在相同任务和受控故障下进行评测。平台记录成功率、步骤数、工具调用量、Token、成本和耗时，并通过重复运行计算 pass^k 与一致性，生成含排行榜和逐步追踪视图的单文件 HTML 报告。 平台运行不需要密钥，也不会发起网络调用。目前任务集仅含 12 个合成任务，答案可精确核验；项目方称尚未接入实时 Bifrost 网关或付费模型，因此未提供真实大语言模型测试结果。

AI 根据报道生成 · 16 分钟前更新

还没有足够的连续观测数据，暂不绘制趋势。