研究与基准测试/2026-11-06/8 分钟用缓存轨迹做任务高效的智能体评测:附录附录给出用户名校验器上的量规与两条轨迹摘要、七个编码器的探针准确率、提示词,以及 SWE-bench Verified 的 107 个系统和 Terminal-Bench 2.0 的 65 个系统。
研究与基准测试/2026-11-06/20 分钟用缓存轨迹做任务高效的智能体评测只跑一次任务,也能估计智能体在整张榜上的分数。用大语言模型把轨迹收成任务专用摘要再嵌入,和项目反应模型合在一起,SWE-bench Verified 上的平均绝对误差从 0.13 降到 0.08。