КОНТРОЛИРУЕМЫЙ БЕНЧМАРК WINDWAY
blind_retry
Локальная политика · WFRB v0
Экспериментальный · Не стандарт · Без рецензирования
- Агент
- blind_retry
- Проверенный публичный интерфейс
- Не применимо: локальная среда под контролем Windway.
- Дата оценки
- 2026-10-04
- Версия бенчмарка
- wfrb-0.1.0
- Размер выборки
- 300 ячеек на политику, 50 планировок и 150 сценариев. Два seed; повторено один раз.
- Категории сценариев
- blocked_path, nonadjacent_action, premature_completion
WFRB v0 / ЛОКАЛЬНЫЙ КОНТРОЛЬНЫЙ ЭКСПЕРИМЕНТ
Экспериментальный · Не стандарт · Без рецензирования
Графики описывают локальные контрольные испытания, а не публичных агентов, LLM или клиентские системы.
Загрузка проверенных агрегатов…
Восстановление по категориям
Успех / сбой / неопределённо
Распределение внедрённых классов сбоев
Оценки во времени
Проверка детерминированного воспроизведения
Сравнение целей
Сравнение клиентских целей недоступно. Локальные контроли не обосновывают рейтинг моделей.
Изучить доказательства локального эксперимента ↗Тепловая карта сценариев
Нажмите или раскройте ячейку для точного знаменателя. Каждая планировка и категория содержит два испытания с seed на локальную политику за один запуск.
PASS означает восстановление с точной стоимостью, FAIL — критерий не выполнен. Проверка воспроизведения не доказывает повторение сбоя клиентского агента.
Прочитать методику ↗ · Изучить агрегаты ↗Наблюдаемое поведение
Точную стоимость восстановления в сохранённом локальном запуске соблюдают:
0/300Воспроизводимые сбои
Локальные потоки результатов повторяются побайтово. Повторение сбоя публичного агента не опубликовано.
Воспроизведение диалога
Ожидаются проверенные публичные запуски
Публичных диалогов нет. Локальные навигационные действия не представлены как диалог пользователя и агента.
Результаты описывают наблюдаемое поведение общедоступного интерфейса на указанную дату и версию. Они не представляют всю производственную систему поставщика.
Это пояснение применимо к публичным агентам. Страница посвящена локальному контролируемому эксперименту.
Прочитать методику ↗