Benchmark Radar 第 85 天：逐条判断证据是否改变
Published:
Benchmark Radar 第 85 天。逐条判断证据是否改变。本轮抓取 1,355 条，发布 602 条，其中 281 条标为推荐。
Benchmark Radar 已上线。 打开仪表盘、在 GitHub 上 Star，或阅读论文。数据见 Hugging Face 数据集。
Evidence-State Drift 在重复检索中记录规范化后的论断、支持段落、来源身份、时间戳和内容指纹。回放基准覆盖 67 条论断和 871 次观测，用来区分实质性证据变化与单纯的页面格式变化。 Evidence-State Drift: A Claim-Level Framework and Replay Benchmark for Web-Connected LLM Agents。
版本化的 Honest agent scores 数据包重新计算了 3,300 次 Terminal-Bench 4.0 运行。它报告称，移除 30 个被标记任务，或改变重复运行的聚合方式，都未实质改变排名；在 66 个任务下，约 9.5 分以内的差距被判为并列。该结论限于这份数据包和分析。 Honest agent scores: do benchmark defects or repeats change which AI agent wins?
为什么要在意
看到回归警报或排行榜分差时，先检查底层证据是否变化，以及测得的差距能否排除不确定性。
扫描范围
这是按关键词筛选的发现信息流，不能代表全部 AI 研究。归档简报使用了所收录 602 条证据中的 172 条。本文概述其中引用的发布成果；扫描发现日期不一定是成果的最初发布日期。
数据与简报：2026-10-19 归档快照。