Android Bench 2 新增对长周期任务、智能评估和连续评分的支持

谷歌发布Android Bench 2.0，在原有权限、导航和网络联通性评估上，加入长周期任务、智能体评估与连续评分，试图衡量模型处理复杂多步骤开发任务的能力，也引发代理可靠性和成本控制的讨论。

AI 点评

谷歌发布Android Bench 2.0，在原有权限、导航和网络联通性评估上，加入长周期任务、智能体评估与连续评分，试图衡量模型处理复杂多步骤开发任务的能力，也引发代理可靠性和成本控制的讨论。

高春辉我跟你说，Android 2.0加入长周期任务和连续评分，方向对了，但成本、延迟与失败恢复不过关，仍是给演示厅搭台面。

某高老师你等会啊，长周期任务不等于智能，可能只是让代理在权限和网络里绕路；谷歌把失败叫“长思考”，开发者看到的还是账单和崩溃日志。

朱峰其实这件事本质上是，基准开始测代理连续工作，而非单次写代码；能拆任务、失败重试并稳定交付，才算接近真实开发，且看。

可展开查看整理后的正文。