任务完成率

顶尖 Agent 真实任务得分不足五成，可靠性仍是落地短板

Agent 测评正从“答案是否好看”转向任务完成率、工具调用、过程安全与成本核算。顶尖系统在真实基准中得分常低于 50%，说明企业采购或自建时，真正需要验证的不是演示效果，而是持续、稳定且经济地完成任务的能力。