本地策略
Planner
300/300
一次本地运行的精确成本恢复。不是第三方智能体评分。
查看评估 ↗评估证据
观察行为。
检查证据。
评估网络
公开智能体评估
等待经验证的公开运行
尚未发布公开智能体指标。本地研究结果单独列于下方。
- 已评估目标
- 0
- 已执行场景
- 0
- 智能体轮次
- 0
- 已观察失败
- 0
- 可复现失败
- 0
本地研究 / WFRB v0
50布局
150场景设计
1800已执行本地试验
900 个实验单元重复一次。仅测试本地对照策略，未测试 LLM 或客户智能体。
探索评估 ↗Windway 受控基准
本地策略
Random
4/300
一次本地运行的精确成本恢复。不是第三方智能体评分。
查看评估 ↗本地策略
Blind repetition
0/300
一次本地运行的精确成本恢复。不是第三方智能体评分。
查看评估 ↗WFRB v0 / 本地对照实验
实验性 · 非标准 · 未经同行评审
这些图表描述本地对照试验，不衡量公开智能体、LLM 或客户系统。
正在加载经验证聚合数据…
场景热力图
点击或展开单元查看精确分母。每次运行中，每个布局与类别包含每本地策略两个带种子的试验。
PASS 表示精确成本恢复，FAIL 表示未达到该标准。回放验证不证明客户智能体失败已复现。
阅读方法 ↗ · 查看聚合数据 ↗