测评 AI 这件事，如今越来越难做了。 几年前，AI 还是聊天机器人时，测评主要就是做题：写作的、数学的、编程的……最后形成一套跑分，用分数代表模型能力。 但当 AI 从聊天框里走出来，变成能够调用工具、操作网页、处理文件、跨系统执行任务的 Agent，情况就变得复杂起来。 平时我们看到的，是 AI 出现在手机上，能够刷淘宝、加购物车，最后下单。实际上在商家的那一端，也有 AI 的参与，承担着比选购和下单更复杂的工作。