容器资源配置可令同一 Claude 评测相差 6 个百分点

krishnan 的分析显示，在 Terminal-Bench 2.0 中，仅调整容器内存余量，就可能让同一 Claude 的 Agent 评测成绩相差 6 个百分点。严格配置下，5.8% 的任务因瞬时内存尖峰触发基础设施错误；余量从 1 倍增至 3 倍后，错误率降至 2.1%，成功率变化处于噪声范围内，说明评测更稳定但未明显变容易。 超过约 3 倍后，Agent 可拉取重型依赖、启动高开销子进程并运行高内存测试，基础设施错误率再下降 1.6 个百分点。krishnan 据此援引 Anthropic 的工程研究称，Agent 基准成绩可能受容器何时被终止影响。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。