近日，阿里通义实验室正式推出通用智能体评测基准PawBench，该基准在行业内首次实现对底座模型与运行框架（Harness）的联合评测。PawBench v1.0版本包含150项真实任务及4050个测试单元，覆盖9个模型与3个Harness的交叉测试矩阵。评测结果显示，不同Harness之间的性能差距最大可达6.4分，而同一模型更换不同Harness后，得分差异最高能达到11.5分。
近日，阿里通义实验室正式推出通用智能体评测基准PawBench，该基准在行业内首次实现对底座模型与运行框架（Harness）的联合评测。PawBench v1.0版本包含150项真实任务及4050个测试单元，覆盖9个模型与3个Harness的交叉测试矩阵。评测结果显示，不同Harness之间的性能差距最大可达6.4分，而同一模型更换不同Harness后，得分差异最高能达到11.5分。