你的智能体这次通过了任务，下次还会吗？

Your Agent Aced the Task. Will It Do It Again?

AI 导读

IBM Research 在 Hugging Face 发布的企业文章（2026 年 9 月 15 日），讨论 AI 智能体在不同次运行间表现不一致的可靠性问题，指出多数基准只报平均值而掩盖了这种波动。文中举例说，在 AppWorld 上使用 GPT-4.1 的 ReAct 智能体五次重复中 77.4% 的运行成功，但只有 53.0% 的任务五次全部成功，并称作者为此构建了衡量一致性的方法。适合关注智能体评测与可靠性的读者。