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%。
研究与基准测试/2026-09-30/6 分钟榜首模型不一定该上线：公开基准之外怎么评测整套系统deepsense.ai 认为 2026 年的公开基准更接近真实工作，但仍然只够做能力筛选。上线要评模型、支架、工具、成本和业务结果，而不是只看榜单。
