如何评估AI智能体：从工具调用到任务完成

本文系统介绍了AI Agent评估体系的演进，阐述了步骤级与端到端两种评分机制的区别，并以SWE-bench和NVIDIA Nemotron 3.5 Lightning为例，说明工具调用已成为现代基准测试的核心基础，建议...