标签： #评测

从 pass@k 到 pass^k：为什么 Agent 评测要看「连续通过」

pass@k 衡量能力上限，pass^k 衡量生产可靠性。本文拆解两者的数学差异，以及 Ground Truth 隔离、故障注入、结果评测与轨迹评测怎样配套。

6 min read