Ibragim（@ibragim_bad；Nebius 评测工程师） · 阅读材料
值得学什么
适合想比较模型或框架开销、却没有可信任务集的人。文章从真实工作中的失败与修正出发，说明如何构造可验收任务，并检验验收器是否会误判。
准备
能阅读代码和测试，理解隔离运行环境；不要求复用作者私有工作记录。
动手试试
编辑建议：用自编的重试计费小例子，分别准备正确解、无操作、接近正确但有一处错误、另一种正确解。检查验收器能否分开这四种情况，再比较两个配置。
阅读依据
全文六步：筛任务、划清显式要求与待发现细节、隔离打包、验证验收器、重复运行、回看轨迹。作者从十五项收敛到十项，并保留人工审核。
Agent 系统 · 评测与基准 · AI 编程 · Agent Evals · Harbor · Verifier · Trajectory Audit