评估中如何区分模型改进与 Agent 基础设施的贡献？

帖子讨论在 Agent 评估中如何判断收益来自模型还是周边基础设施，引用 10 月 12 日 Cheeky Pint 播客中 Zuckerberg 与 Wang 关于 Agent 行为由模型训练塑造的说法。作者提出可固定工具与任务集来替换模型对比，但指出模型可能针对不同工具接口训练，因此或需同时采用共享配置与各模型偏好配置，并分别报告任务完成、权限违规和失败动作恢复情况。

AI推荐理由 提出评估中如何区分模型能力提升与 Agent 基础设施贡献的方法论问题，引用 Zuckerberg 与 Wang 在 Cheeky Pint 播客中关于 Agent 行为由训练塑造的说法，并建议固定工具与任务集、分别报告任务完成率、权限违规与失败恢复。属有价值的问题讨论，但无实验结论。