AppSci-Bench 评估模型能否澄清需求、构建 Agent、设计内部评测,并在留出业务任务上验证泛化。
Energy-Based Reasoners 论文在限定比较中报告推理计算减少 345 倍。这个数字是测量合同,不是通用加速比。
Agent 工时是容量信号。可执行的测量体系还要分开记录吞吐、有效性、人工介入和持久科研成果。