同一 AI Agent 同一任务评两次：严格标准下得分不足五分之一

Yves Mulkers 分享一项研究的关键发现：对同一个 AI agent 在同一任务上评分两次，宽松标准下约能拿到人类设计方法产出的三分之一，按任务自身规则严格评判则不到五分之一。