# Agent 评测的下半场：为什么需要一个「活的」Benchmark？

> 原标题：Agent评测的下半场：为什么需要一个「活的」Benchmark？

- 来源：新智元 · 公众号
- 发布时间：2026-05-11T05:05:00.000Z
- AX AI 日报：https://ai-daily.ax0x.ai/items/17854
- 原文：https://mp.weixin.qq.com/s?__biz=MzI3MTA0MTk1MA==&mid=2652699411&idx=3&sn=dc9e47072fd295f8bcb5738aa632ef9b

## 摘要

这篇文章的正文被微信环境验证挡住了，实际内容没拿到。从标题和现有英文摘要看，它讨论的是 Claw-Eval-Live 这个基准测试，用 105 个任务测了 13 个前沿模型，表现最好的模型通过率也没超过 70%，HR 类任务平均通过率只有 6.8%。核心观点是静态评测不够用了，需要能动态更新的“活”基准来测 AI 智能体。

## 推荐理由

Claw-Eval-Live 用 105 个任务测了 13 个前沿模型，最好模型的通过率不到 70%，HR 类任务平均只有 6.8%，静态评测难以覆盖智能体落地时的真实表现。

## 锐评

HR 类任务平均通过率 6.8%，这个数比 105 道题、13 个模型那些规模数字有意思多了。Agent 在 demo 里看着什么都能干，一到 HR 这种要读制度、填表、跨系统走流程的活就集体趴窝，现在测的东西跟企业想让它干的活差得挺远。

「活的」benchmark 这个方向我认，静态题库刷两个月就过拟合。Claw-Eval-Live 自己还没被大规模跑过，先当参考，别拿它当采购标准。
