东京大学一项新研究给AI智能体评测算了一笔账：多数测试任务其实在浪费资金。论文指出，所有版本都能通过或都无法通过的任务，在测试集中占比超过70%，却和其他测试承担着相同的成本。

这些“无效任务”无法区分模型能力差异，却拉高了整体评测开销。研究团队提出的新方法Task-CoEvolve，只保留过往版本表现有分歧的测试，每轮重新选取，并调整评分机制以支持跨轮比较。

打开网易新闻 查看精彩图片

20%任务，还原全量结果

在Terminal-Bench 2.1基准上，Task-CoEvolve仅用89项任务中的20%进行评测，结果与全量评测相差约一项任务。成本随之降低67%至80%，评测时间也缩减一半。

这意味着，AI智能体评测可以用更少的资源获得接近全量的结论，为高频迭代测试提供了更经济的路径。