扎克伯格对话引出 Agent 评测归因难题：模型能力还是基础设施？

为区分 Agent 效果提升来自模型层还是基础设施层，有发帖者提议同时跑「统一配置」与「各模型偏好配置」两组实验并分开报告结果。该问题由 Cheeky Pint 节目中扎克伯格与 Alexandr Wang 关于 Agent 行为由模型训练塑造的讨论引出，难点在于各模型可能围绕不同工具接口训练过。需分开报告的指标包括任务完成率、权限违规和失败动作后的恢复能力。