一些代理基准测试感觉就像是在基准测试搜索引擎或其他随机工具，而不仅仅是模型，我觉得这有点奇怪，但看不到解耦的方法。 也许可以模拟工具结果，看看模型如何利用它们？我不知道，但在比较模型时，它们的工具可能比模型本身更有影响，这将会很奇怪。