方法与教程/2026-10-11/24 分钟技能一直在改:过程级评测才能拦住看起来正确的回归240 次试验里,175 次最终数字全对,其中 162 次(92.6%)仍有过程偏离。放宽到 7 项最终状态后,164 次通过里仍有 151 次(92.1%)违反轨迹检查。
方法与教程/2026-10-09/16 分钟LiteTrajEval:用一次评判、固定预算给生产轨迹定位失败华为把轨迹评测收成一次量表评判。相对 AgentRx,Magentic-One 上失败定位对齐大约高 20–35 个百分点,同一 GPT-5-mini 下总费用从 2.4628 美元降到 0.4155 美元,评测时间从 15,990 秒降到 1,840 秒。只靠规则时,τ-retail 检出率只有 31.0%。