从真实失败开始，为 Agent 写一组有效评测（旧文） MASS：从团队轨迹训练模型，收益先出现在研究任务上 AgentSWE：从演示样例到冻结交付，还隔着一组保留测试 DeRef：先不看候选，替工具参数裁判补一份参考 让模型评“有没有新意”，先检查它到底在回答哪个问题