#成本权衡

DAREBench：面向部署的智能体评估基准

DAREBench是一个新的智能体评估基准，基于OpenClaw环境，包含233个任务，按输入模态和执行形式分为2x3工作负载矩阵。研究评估了23个商业API模型和12个本地开源模型，发现没有单一模型在所有任务组中占优，文本与多模态任务存在不同的准确率-成本权衡。该基准强调部署决策应考虑工作负载、…