一些代理基準測試感覺就像是在基準測試搜索引擎或其他隨機工具，而不僅僅是模型，我覺得這有點奇怪，但看不到解耦的方法。 也許可以模擬工具結果，看看模型如何利用它們？我不知道，但在比較模型時，它們的工具可能比模型本身更有影響，這將會很奇怪。