如何在评测中区分模型能力与 Agent 基础设施的贡献

Reddit 用户就 Cheeky Pint 节目中 Zuckerberg 与 Wang 将 Agent 行为归于模型训练、并辅以隐私与安全基础设施的观点展开讨论，提出在固定工具与任务集的前提下替换模型以判断哪一层带来提升的评测思路，并建议同时对比共享配置与各模型偏好配置，分项记录任务完成率、权限违规与失败恢复等指标。