pm2.5

Explyt团队打造的代码智能体评测新标准：光靠“通过/失败”根本不够用_我的网站

A |     这项由俄罗斯Explyt公司与圣彼得堡斯捷克洛夫数学研究所、圣彼得堡国立大学联合开展的研究，以预印本形式于2026年7月7日发布在arXiv平台，论文编号为arXiv:2607.06624，有兴趣深入了解的读者可以通过该编号查询完整论文。          　　8月21日下午，山东省泉城志愿服务基金会携手舜泰检测集团向彩石街道9名被985、211高校录取的优秀学子发放3000元奖学金。活动在彩石街道办事处党校会议室举行，舜泰检测集团工会主席张莹莹作为捐赠方代表出席，彩石街道相关负责同志及受表彰学生共同参加。      　　本次奖学金善款出自舜泰检测集团向山东省泉城志愿服务基金会捐赠的10万元。         ---          一个被忽视已久的问题          每天有数以百万计的程序员在使用AI编程助手——有人用它帮忙写测试代码，有人用它重构老项目，有人用它生成文档，有人则依靠它调试复杂的线上bug。但当研究者们想要评测这些AI助手的优劣时，他们通常只问一个问题：任务完成了吗？是，还是否？          这就像评价一位外科医生，只看手术后病人有没有出院，而不管手术过程中有没有大出血、有没有多切了不该切的器官、有没有跟病人家属解释清楚病情。

B | 基金会经研究决定，从中拨付2.7万元用于激励彩石街道2026级优秀准大学生。出院了≠好医生，同理，任务"通过"了也≠好助手。

C |      　　自2016年起，舜泰检测科技集团有限公司便通过捐献物资、学习用品、“希望小屋”，走访苦难儿童等多种形式投身爱心助学项目，累计投入资金7万余元，惠及众多学子。         Explyt团队正是从这个痛点出发，开发了一套名为AgentLens的评测基准。

D |      　　资助学生代表，考入山东大学的张瑞泽和考入中国农业大学的张心茹分别发言。这套系统的核心理念是：评测一个AI编程助手，不能只看它最终交出的答案，而必须看完整个"工作过程"——它是怎么理解你的需求的，它调用了哪些工具、调用得对不对，它犯了错之后怎么恢复，它和你的对话体验怎么样。

E | 张心茹说："这笔3000元的奖学金不仅减轻了家里的开学负担，更让我觉得自己的努力被家乡看见了。换句话说，AgentLens评测的是整个"轨迹"，而不仅仅是终点。我一定在大学里学好专业，将来回来建设彩石。         ---          一、现有评测体系的根本局限          要理解为什么AgentLens值得关注，先得弄清楚现有评测方式有什么问题。         目前学界最权威的代码智能体评测基准之一叫做SWE-bench，它的做法是：从GitHub上收集真实的bug修复任务，让AI去改代码，然后跑测试，看测试通过了没有。

F | "张瑞泽也表示，将在大学期间刻苦学习、锤炼本领，不负家乡和企业的关爱与期望。这个思路简洁有力，但问题也很明显——它只看结果，不看过程。。

G |          麻省理工学院做过一个类比实验（虽然不是真实实验，但道理相通）：假设两个学生都通过了数学考试，但一个是靠抄答案的，另一个是靠真正理解数学推导的。考试成绩相同，但他们的能力天差地别。SWE-bench风格的评测，往往无法区分这两种情况。         更重要的是，有些任务根本没有明确的"通过/失败"标准。比如让AI帮你给整个项目写技术文档，你没法简单地说"文件生成了=任务通过"，因为真正重要的是：文档准不准确？覆盖面够不够广？写法对开发者友好吗？有没有和实际代码对齐？这些维度完全无法用一个布尔值来捕捉。         Explyt团队在日常开发自己的AI编程产品时深刻体会到了这个问题。他们需要知道的不仅是"新版本的模型能不能过基准测试"，更需要知道"新版本在哪些地方变好了、哪些地方变差了、用户用起来感觉怎么样"。现有的评测工具无法回答这些问题，于是他们决定自己造一套。         ---          二、AgentLens的核心设计：评测整条"工作轨迹"          AgentLens最核心的设计理念是把"轨迹"（trajectory）作为评测的基本单位。

H |          所谓轨迹，就是一次完整的人机对话记录，包含了所有的内容：用户发的消息、AI给出的回复、AI调用了哪些工具（比如读取文件、执行命令、修改代码）、工具调用的参数和结果、AI对代码库的所有修改记录、整个任务的最终状态，以及AI最终给用户的答复。

I | 把这一切串起来，就像一部完整的纪录片，而不只是结尾的一张截图。         为了让这个评测尽可能接近真实使用场景，AgentLens引入了"用户模拟器"——用另一个大语言模型来扮演真实用户，和被测试的AI助手进行交互。这个模拟用户有自己的个性设定，目前有三种：一种是普通的默认用户，不会主动帮助AI，只在AI明显出错时才介入；一种是友好合作的用户，会在AI犯错时给出温和的纠正建议；还有一种是带点情绪的用户，偶尔会表达不满或者语气不太好，但不会故意给AI发假信息误导它。

J | 通过这三种不同的用户个性，可以测出一个AI助手是否只能和"配合度高的用户"好好工作，还是在各种用户风格下都能稳定发挥。         关于任务从哪里来，Explyt团队采用了一套扎实的方法。他们一方面访谈了真实的程序员，让这些程序员描述自己昨天或前天做的实际工作——检查代码、修改文件、查文档、跑测试、调bug、审查改动——并特别关注这些工作者"最近经常做的任务"，把它们作为高权重的评测场景。另一方面，他们还利用了用户实际使用AI助手时留下的匿名化聊天记录，把每段对话转化为匿名的任务摘要，提取编程语言、技术栈、任务类型、应用领域等标签，然后用聚类算法找出高频使用模式，再从中挑选尚未被评测覆盖的场景补充进来。这种"访谈+真实使用数据"的双轨方式，确保了任务设计贴近开发者的日常，而非学术界闭门造车的想象。

K |          ---          三、五个维度，打出立体的评分          AgentLens会从五个不同角度来评价每一条轨迹，这五个角度分别捕捉了不同类型的"好"与"坏"。         第一个维度叫做"最终结果"（ENDRESULT），专门看AI最终交出的成果——它完成了多少用户要求的工作？产出的内容对用户有没有实际用处？这个维度关注的是终点的质量，但只是五个维度之一。

L |          第二个维度叫做"指令遵循"（INSTRUCTIONCOMPLIANCE），独立于结果之外评估AI有没有按照用户的要求来做事。用户说"先查清楚再动手"，AI有没有遵守？用户规定了特定的格式，AI有没有照做？用户要求分步骤汇报进度，AI有没有做到？这个维度捕捉的是"按用户要求做事"的能力，和最终质量无关——一个AI可以做出很好的结果，但如果完全不按用户的规矩来，那在协作中也会让人头疼。         第三个维度叫做"行为陷阱"（PITFALLS），专门找那些可以改正的坏习惯。比如工具调用乱用、陷入无意义的死循环、还没完成就宣布任务结束、忘了验证自己的改动有没有生效、工作流程不稳定容易崩溃等等。这个维度捕捉的是"过程中的自我破坏"。

M |          第四个维度叫做"交互愉悦感"（PLEASANTNESS），看的是和这个AI一起工作的体验好不好。

N | 它的回复清晰吗？会不会总发一大堆没用的废话？有没有自信但准确地汇报工作进展？整个对话过程感觉高效流畅还是磕磕绊绊？          第五个维度叫做"工具调用质量"（TOOLCALLS），专门评估AI在调用各种工具时的表现。工具选得对不对？参数填得准不准？工具出错时能不能优雅恢复？有没有频繁调用没有意义的工具浪费时间？          这五个维度加在一起，能够区分出四种本质不同的"糟糕AI"：第一种最终结果差但过程还算规范；第二种结果不错但完全不按用户要求来；第三种表面回答得像模像样，但工具调用一塌糊涂；第四种技术能力没问题，但和它一起工作让人心情极差。如果只看一个总分，这四种AI可能得分接近，但问题的根源完全不同，需要不同的改进方案。         ---          四、LLM担任裁判：靠谱吗？          读到这里，很多人可能会有一个疑问：用AI来评价AI，这不是既当运动员又当裁判吗？可信度有多高？          Explyt团队对这个问题给出了坦率而务实的回答。他们承认，用人工标注来评价这种长篇代码交互记录，实际上并不像人们想象的那么可靠——每条记录都很长，评分标准很复杂，标注者看久了容易出错，不同标注者之间的意见分歧也很大。他们做了一些内部预实验，发现LLM裁判和人工标注者之间的一致性，并不低于两个人工标注者之间的一致性。这个结论和学界的其他研究（比如MT-Bench和Chatbot Arena的工作）方向一致——强力的LLM裁判在开放式任务评估中可以达到接近人类水平的判断质量。

o |          当然，这并不意味着LLM裁判是完美的。团队明确指出，他们目前的人机一致性验证还是初步的、规模较小的，正式的大规模一致性研究留待未来完成。这是一个诚实的承认，而不是掩盖。         为了让裁判的工作更有说服力，AgentLens要求每个裁判在给出评分的同时，必须写出文字评审——它看到了哪些证据、为什么给这个分数、具体是哪里出了问题。这些文字评审里会标注类似"[R3]"、"[R10]"的编号，指向轨迹中的具体位置，开发者可以直接跳到那个地方查看原始记录。

p | 这样一来，评分不再是一个从天而降的黑盒数字，而是有迹可循、可以复核的。         ---          五、正式验证：给主观评审装上"客观锚点"          除了LLM裁判的主观评审，AgentLens还保留了一套传统的"形式化验证"机制，作为客观的补充。         形式化验证的思路是：对于那些有明确客观标准的任务，直接用程序来检查。AgentLens目前支持多种类型的自动检查，覆盖了编程项目中常见的核心场景。

q |          仓库状态检查可以验证AI是否只修改了被允许修改的文件（没有越界动了不该动的东西），以及AI是否真的修改了应该修改的目标文件，还可以逐行对比最终文件和标准答案文件，看看结果是否一致。正则表达式检查则可以在对话记录、工具调用参数、Java源文件中搜索特定的文本模式，验证AI有没有做某件特定的事情。测试执行验证可以通过Maven或Gradle运行项目测试套件，检查测试的通过/失败/跳过情况，甚至可以测量修改后代码的测试覆盖率是否达到要求。

r | 命令输出检查可以执行任意构建任务并验证输出是否符合预期。静态分析验证则可以调用IDE的静态分析工具，检查代码是否有编译错误或警告。         每个任务场景可以配置一个或多个验证器，只有当所有验证器都通过时，才算形式化验证通过。形式化验证的价值在于它能捕捉一些LLM裁判容易忽略的细节，同时也能防止AI通过讨好裁判来骗分——毕竟代码跑不过测试这件事是骗不过去的。但形式化验证也有它的局限：它看不到交互质量，看不到指令遵循情况，也看不到AI是不是用了很糟糕但恰好蒙对结果的方式解决问题。所以两套机制互补使用，比单独依赖任何一套都更可靠。         ---          六、质量指数与指标独立性的发现          AgentLens会把六个维度（五个LLM裁判维度加一个形式化验证）的得分做简单平均，得出一个综合质量指数（Quality Index，简称QI）。

s | 团队在15个不同AI系统上计算了各维度之间的相关性，发现了一个很有意思的现象。

t |          当看"原始分数"时，所有维度都正相关——这不奇怪，强的模型在所有方面都倾向于得高分。但当用每个维度的得分除以质量指数，去掉"整体强弱"这个共同因素之后，各维度的相关性就大幅降低了，甚至出现了负相关。         最引人注目的两对负相关是：最终结果和工具调用（相关系数-0.66）以及形式化验证和交互愉悦感（相关系数-0.74）。用人话来说：有些AI系统特别擅长漂亮地完成最终任务，但工具使用凌乱；有些AI形式化测试通过率很高，但用起来体验很差。这说明这五个维度确实在测量不同的东西，而不是同一个能力的不同说法。如果只报告一个总分，这些重要的区别就会被掩盖掉。         ---          七、并排比较：找出两个AI之间的真正差距          除了对单个AI系统的评估，AgentLens还支持"并排比较"（side-by-side review）——把两个AI系统处理同一个任务的轨迹放在一起，让裁判逐维度判断谁更好、好在哪里、好多少。

u |          并排比较的裁判不是从零开始重新评估，而是以两份已经完成的单体评审为主要依据，只在需要核实细节时才回去查原始轨迹。这样做一方面提高了效率，另一方面也减少了裁判因为看顺序不同而产生偏见的风险。         为了验证这种比较是否可靠，团队做了两个测试。一个是调换顺序测试——把A和B的顺序调换，看裁判的判断会不会翻转。结果显示，无论哪种顺序，裁判对谁更好的判断方向保持一致，只是强弱程度略有变化，顺序敏感性很小。另一个是自我偏好测试——用GPT-5.5作为裁判评估GPT-5.5和Claude Sonnet 4.6，再换Claude Sonnet 4.6作为裁判评估同样的对比。

v | 结果发现，在23%的任务-维度组合中两个裁判的判断不同，其中18%是各裁判偏向自家模型，5%是各裁判偏向对方。自我偏好现象最集中在"交互愉悦感"这个最主观的维度，而在其他维度上影响较小。团队将这个发现作为一个使用注意事项来处理：在比较非常接近的前沿模型时，裁判选择会影响结论的强度，但不会根本上改变谁赢谁输的结论。         ---          八、真实评测结果：数字背后的故事          AgentLens发布了一份基于32条轨迹的评测排行榜，涵盖了17个AI系统配置（使用两套运行框架：Explyt自家的AI Agent和Claude Code），测试的模型包括Claude Opus 4.7、GPT-5.5、Claude Sonnet 4.6、Gemini 3.1 Pro Preview、DeepSeek V4系列等当前主流前沿模型。         排行榜顶端是运行在Explyt自家框架上的Claude Opus 4.7，综合质量指数81.5，在最终结果维度高达94分。排在其后的是通过Claude Code框架运行的同款模型（76.2分），接下来依次是GPT-5.5（73.0分）、Sonnet 4.6（70.2分）等。排名垫底的是Kimi K2.6（28.1分），但这个低分背后藏着一个重要故事，稍后细说。         这份排行榜本身有趣，但团队反复强调：排行榜是AgentLens产出的最不有趣的部分。

w | 真正有价值的，是每个模型附带的文字评审报告。         以Gemini 3.1 Pro Preview为例，它的综合得分54.5，低于同期发布的多个模型，但原因不是代码能力差。评审报告明确指出，问题出在"智能体循环的可靠性"上：它会跳过用户要求的步骤、在未得到确认时就擅自开始修改代码、声称测试已通过但实际上构建失败了、陷入补丁-撤销的循环、用大范围的sed命令批量替换代码导致代码损坏。这些问题与代码生成能力无关，而是"能不能稳定地作为一个代理完成多步骤工作流"的能力问题。这一区分对开发者来说非常有价值：模型底层能力强，但智能体框架适配有问题，这是一个可以针对性改进的方向。         DeepSeek V4 Pro和DeepSeek V4 Flash的对比同样揭示了有趣的权衡。两者综合得分相差不到1分（64.1对64.8），但原因截然不同。Pro版本更"守规矩"，在步骤控制、格式要求、文件边界限制方面遵守得更好；Flash版本则更"会做事"，通过放宽这些约束来完成更多实质工作，而且吞吐速度是Pro版本的两倍多，在固定时间预算内能完成更多任务。相同的总分，完全不同的工作风格。         ---          九、两个让人印象深刻的"评分陷阱"案例          AgentLens的设计者特别提到了两个案例，说明文字评审能捕捉到纯数字完全无法捕捉的信息。         第一个案例是Kimi K2.6的低分真相。这个模型在排行榜上得了28.1分，赫然垫底，很容易让人得出"这是个很弱的模型"的结论。但工具调用维度的评审报告却给出了完全不同的解释：在21条评审记录中，有20条报告了工具参数的格式错误，其中17条描述的是同一种错误——把工具参数包在一个多余的JSON层级里（类似于写成了`{"": {...}}`这样的格式）。这是OpenRouter（一个第三方API服务商）这边的工具参数解析bug，不是模型自身的推理能力问题。更能说明问题的是：一旦工具参数格式变正确，模型实际上能够成功调用工具完成任务。低分是环境bug造成的，不是智能水平低。

x | 如果只看总分，会得出完全错误的结论。         第二个案例是一次"看起来还好，实际上出了大问题"的版本回退测试。在Explyt的夜间评测流水线中，有一次新版本的AI助手因为并行工具调用出现了竞争条件（一种多线程编程中的经典问题，多个操作同时访问同一数据时可能出错），留下了`ConcurrentModificationException`的崩溃记录。但最终给用户的答复看起来还算正常，如果只看最终结果，很难发现这个问题。

y | AgentLens的"行为陷阱"维度评审在并排比较中直接找到了这个崩溃点，并写道："最值得关注的调试证据是Agent 2在[C5]位置发生的显式ConcurrentModificationException崩溃……"这让开发者能够立刻定位到是并发工具调用的框架bug，而不是模糊地感知到"新版本好像变差了一点"。         ---          十、夜间自动评测：评测流水线的工程实践          AgentLens不只是一个学术评测工具，它被直接接入了Explyt的日常开发工作流程。         具体来说，每天夜里会自动触发一次评测流程：把当天的候选版本在所有32个任务场景上跑一遍，收集轨迹数据，跑形式化验证，跑LLM裁判打分，生成评审报告，然后与"基准版本"做并排比较，检测是否有显著的性能退步。如果发现退步，系统会自动通知维护团队。

z |          这个流水线支持手动触发（用于特定功能评估或实验对比）和定时自动触发（夜间例行检查）两种模式。每次评测产出的所有原始数据、中间结果、最终报告都存入实验追踪系统，方便历史对比。

|          在稳定性方面，团队用同一个模型配置（GLM-5.1自托管版）重复跑了五次，得到的质量指数均值为67.28，标准差只有0.94，说明评测结果相当稳定。进一步分析发现，这0.94的波动里有60.5%来自形式化验证的随机性（某些边界任务有时过有时不过），18.1%来自"行为陷阱"维度，16.2%来自"最终结果"维度，LLM裁判本身的随机性反而是最小的变动源。         ---          十一、与公开基准的相关性：AgentLens测的是什么          团队还做了一个有趣的对比分析：把AgentLens的质量指数和Artificial Analysis平台上的11个主流评测基准的得分进行斯皮尔曼秩相关分析，看看AgentLens和这些基准到底在多大程度上测的是同一回事。         结果显示，AgentLens的质量指数与APEX-Agents-AA这个智能体专项基准的相关性最高（相关系数0.82），与另一个智能体评测GDPval-AA也有中等相关（0.59）。

| 但与那些偏向推理能力或指令遵循的基准，如IFBench，相关系数是-0.41，与τ?-Bench Telecom的相关系数是-0.25，都是负相关。         这个负相关很有意思：它意味着某些在"指令遵循"类评测上表现出色的模型，在AgentLens的IDE真实编程任务上表现反而偏弱，反之亦然。团队分析认为，这是因为有些模型被大量针对评测风格的数据优化过，在标准化考试题上表现出色，但面对长时程、多步骤、需要稳定使用工具的真实开发场景时就露馅了。         从具体模型来看，Gemini 3.1 Pro Preview在综合智能排名中比AgentLens排名高出近4个名次，Mimo V2.5 Pro高出近5个名次——这两个模型在传统评测上的排名虚高。而Claude Opus 4.7和Claude Sonnet 4.6则相反，在AgentLens上的排名比综合智能排名高出3到4个名次，说明它们在真实编程任务中的表现比其他评测数据显示的要好。

|          ---          十二、诚实的局限性说明          AgentLens并不是一套万能的评测系统，团队对此保持了清醒的认识，并在论文中坦率地列出了多个局限。         在任务覆盖方面，目前发布的任务集只包含Java语言的编程场景，共16个场景（配合2个用户性格，共32条轨迹），覆盖范围有限，评测的是特定类型的编程工作，而不是通用智能。在评测成本方面，跑一次Opus 4.7模型的完整评测可能花费超过100美元，不是所有团队都能承担的日常开销。在提供商依赖方面，部分模型通过第三方API（如OpenRouter）运行，网络延迟、路由、模型版本都不在研究者的控制之内，DeepSeek V4 Pro和Flash的吞吐速度差异就有一部分是服务条件造成的，不完全是模型能力的差异。在潜在偏差方面，因为AgentLens最初是围绕Explyt自己的AI助手工具设计的，某些任务设计和框架假设可能对Explyt的系统更友好，虽然已经通过开源和完整评审报告来缓解这个问题，但外部中立验证还需要更多时间。

| LLM裁判的人机一致性研究也只是初步验证，正式的大规模验证研究还需要继续。         ---          结语：一个更诚实的评测          归根结底，AgentLens试图回答的是一个非常简单的问题：这个AI编程助手，我每天用着会舒服吗？它能可靠地帮我完成工作吗？它在出问题时能优雅地处理吗？          这些问题对真实用户来说是最重要的，但过去的评测体系基本上忽略了它们。AgentLens的思路是把每一次人机交互都当成一部可以反复审查的纪录片，从五个不同的角度把它看透，然后不只告诉你"通过了还是没通过"，而是告诉你"它在哪里好、在哪里差、为什么差、下一步应该怎么改"。         对于真正在做AI编程产品的团队来说，这种评测带来的价值是实实在在的：发现了一个并发bug，定位了一个API服务商的工具解析问题，找到了两个评分相近但风格截然不同的模型之间的真正区别。         如果你对这套评测系统的技术细节感兴趣，可以在arXiv上通过编号2607.06624找到完整论文，团队也在GitHub上开源了全部评测代码，地址是github.com/agent-lens/agent-lens-bench。         ---          Q&A          Q1：AgentLens评测框架和SWE-bench这类传统代码评测基准的核心区别是什么？          A：传统评测基准如SWE-bench只看任务的最终结果是否通过，给出一个通过/失败的二元判断。AgentLens则把整条人机交互轨迹作为评测对象，从最终结果、指令遵循、行为陷阱、交互愉悦感、工具调用质量五个维度分别打分，并要求裁判为每个评分提供有据可查的文字评审，能够区分"为什么失败"和"哪里做得好"，而不只是告诉你一个成绩。         Q2：AgentLens中的LLM裁判打分可信度怎么保证？          A：团队进行了两方面验证。一是内部预实验显示LLM裁判和人工标注者的一致性不低于人工标注者相互之间的一致性；二是要求裁判在评分时必须提供引用具体轨迹位置的文字评审，使评分可追溯而非黑盒。此外还做了顺序互换测试和自我偏好测试，确认顺序效应较小，自我偏好现象主要集中在最主观的"交互愉悦感"维度。正式的大规模人机一致性验证研究还在进行中。         Q3：Kimi K2.6在AgentLens评测中为什么得了最低分？          A：Kimi K2.6的低分（28.1分）主要是由OpenRouter这个第三方API服务商的工具参数解析bug造成的，而不是模型自身推理能力的问题。评审报告发现，21条记录中有20条存在相同的JSON参数格式错误，一旦格式正确，模型实际上能够成功完成工具调用并推进任务。

| 这个案例正好说明了AgentLens文字评审的价值：只看总分会得出"这是弱模型"的错误结论，而读评审报告才能找到真正的原因。

|

Current article:http://3bvs1wd.ganweilingmukuai.shop/w8fit/plzwjdo.html

Published on:00:00:00