Hanchung Lee 谈 Agent 评测双基准法：能力集低通过率爬坡，回归集守住底线

Hanchung Lee 提出 Agent 评测应维护两套 benchmark：能力集保持极低 pass@1，用于捕捉并爬升「明天才能做到」的前沿行为；回归集 pass@1 接近 100%，用于确保系统不退步。Vtrivedy10 补充称，eval 应推动 agent 能力边界而非只测绘现状，RL 任务通常瞄准 0.2-0.6 的通过率以保留爬升信号，未来行为往往缺少对应的 traces。