超越结果：双视角关系学习实现高效 agent 基准评测

arXiv 论文提出 DualViewEval，一种 agent benchmark 压缩方法。它分析大规模轨迹，识别出六个与最终 agent 表现系统性相关的过程信号，并联合结果关系与过程关系，学习一个精确大小的 miniset 并预测全量基准分数。在五个 agent 基准与五个代表性基线上均取得最优结果：仅用 20 个任务，在 APEX-Agents 和 BFCL 上实现 24–40 倍压缩，MAE 较最强竞争者降低 14.5%–28.2%。

此前基准压缩主要建模任务与模型最终分数分布中的冗余，忽略了 agentic 评测中轨迹过程信息。该工作把过程信号纳入压缩，在更少任务下同时改善误差与排序相关性，并让筛选出的 miniset 能暴露不同 agent 的能力差异。

方法先在大规模轨迹上找出六个与最终表现相关的过程信号，再把结果关系与过程关系联合建模，据此选出固定规模的 miniset，并用其预测全量基准分数。压缩的依据由单一最终分数扩展为结果加过程的双视角，因此能用更少任务保留更多区分度。

对做 agent 评测的团队，可在保持排序与分数预测精度的前提下把评测任务量降到 20 个，直接降低推理与人工评估成本，并更快拿到区分不同模型能力的诊断反馈。

• 在内部 agent 评测流水线中接入 DualViewEval 式 miniset 选择，用 20 个任务做日常回归，全量基准仅用于阶段验收。
• 基于论文识别出的六个过程信号，构建面向 agent 开发者的诊断报告产品，输出各能力维度的差异对比。
• 针对自有业务基准复现压缩流程，验证 MAE 与 Kendall's τ 是否同样改善，再决定是否替换现有抽样评测方案。

• DualViewEval 在论文之外的私有业务基准上是否保持同等压缩与精度？
• 六个过程信号的具体定义与可获取性如何，是否依赖特定 agent 框架的日志格式？
• miniset 的稳定性如何，换一批任务或模型后是否需重新选择？
• 论文未披露与人工评估的一致性，压缩后结果能否替代人工判断尚不明确。