Not translated yet — showing the Chinese originals.

Industry & Practice · Tagged “TraceTrial”

Research & Benchmarks2026-10-2812 min
TraceTrial 附录：任务热图与五条轨迹
附录 E 是 3420 次运行的任务级分数热图。附录 F 用五条成对轨迹看截断恢复、退出码、异步委托、终端结束符和会话交接。
Research & Benchmarks2026-10-2818 min
TraceTrial 附录：分类、适配器、证据与归因
附录给出七组件分类、95 项任务的契约、四个 Harness 的适配边界、Trace IR，以及分层裁决和失败归因规则。
Research & Benchmarks2026-10-2816 min
TraceTrial 结果：模型、维度与失败状态
同一 95 项任务上，Claude Code 的任务通过率最高（44.0%），OpenClaw 的 Harness 宏平均最高（72.0%）。双层全通过只有 8.4%。1700 次共同失败里，842 次激活了候选链接。
Research & Benchmarks2026-10-2820 min
TraceTrial：评测 Harness 的可靠性与失败归因
TraceTrial-Bench 用 95 项任务、4 个 Harness 和 9 个模型做了 3420 次运行。Harness 宏平均从 59.8% 到 72.0%。有 31.1% 的运行任务成功，但至少一条 Harness 准则失败。