从真实失败开始，为 Agent 写一组有效评测（旧文） Simon 的 SPARQL 扩展尝试：验证循环也会大量消耗 token Epoch 把日常工作交给六个模型：会做步骤，仍可能误判研究结果 Gemini Carbon 引发试用兴趣，评测细节却要求重新拆开“更强”