一句话总结：Agent 评测基准按任务域分工——SWE-bench 测代码修复、WebArena/OSWorld 测网页/桌面操作、AgentBench 测综合能力、GAIA 测通用智能、τ-bench 测业务客服；结果是"Outcome 导向 + scaffold-sensitive"，同模型换脚手架差异可以很大。

主流基准速查（面试默写）

基准	任务域	怎么测	适合
SWE-bench	软件工程	真实 GitHub issue：read→定位 bug→edit patch→跑测试，success=测试通过	Coding Agent
WebArena	网页操作	仿真站点（Reddit/GitLab/商城）完成"发帖/报 bug/找最低价"	Web Agent
OSWorld	桌面操作	真实 OS 环境操作	桌面/全栈 Agent
AgentBench	综合能力	8 类环境：OS Bash/SQL/KG/游戏/WebShop/Mind2Web/表单	综合 Agent 能力
GAIA	通用智能	问题对人不难对模型很难：多步推理+工具+多模态	通用助手
τ-bench	业务客服	零售/航空客服，Outcome + 策略一致性	业务 Agent + 工具
TerminalBench / MLE-bench	终端/ML 工程	沙箱终端真实操作 / ML 实验	运维/ML Agent

关键认知（面试拉分点）

• 结果导向（Outcome）为主：大部分基准只判"任务成没成"，不看轨迹质量
• scaffold-sensitive：结果强烈依赖脚手架/配置——同一个模型，换套 prompt+工具配置差异巨大
• 五维评测框架：成功率、效率、成本、鲁棒性、安全性
• 进度类指标：AgentBoard 首创 Progress Rate（不只判成败，看执行到哪一步）

选型口诀

场景	首选基准
代码开发/修复	SWE-bench
Web 操作	WebArena
桌面/全栈操作	OSWorld / CUA
综合 Agent 能力	AgentBench / AgentBoard
业务客服 + 工具	τ-bench

面试要点

• 能说出 4 个主流基准（SWE-bench/WebArena/AgentBench/GAIA）各测什么
• 能讲"scaffold-sensitive"（同模型换配置差异大）
• 能说出五维评测框架
• 能按场景选基准（代码→SWE-bench、网页→WebArena）

相关概念

• [AI-Agent-评估评测](/学习笔记/AI技术/AI Agent/AI-Agent-评估评测) — 评测方法论
• [AI-Agent-评测数据集构建](/学习笔记/AI技术/AI Agent/AI-Agent-评测数据集构建) — 基准之上的自建数据
• [AI-Agent-评测指标与评估流程](/学习笔记/AI技术/AI Agent/AI-Agent-评测指标与评估流程) — 通过率与门禁
• [AI-Agent-生产部署](/学习笔记/AI技术/AI Agent/AI-Agent-生产部署) — 评测门禁与发布