知识卡片：超越结果——面向高效智能体基准评测的双视角关系学习

英文标题：Beyond Outcomes: Dual-View Relational Learning for Efficient Agent Benchmarking

英文关键词（据标题/摘要提取，非原文关键词列表）：Agent benchmarking; benchmark compression; DualViewEval; process signals; outcome and process relations; miniset; MAE; Kendall's τ

一句话结论

DualViewEval 通过联合利用“结果关系”和“过程关系”来压缩智能体基准，在少量任务上预测全基准分数，并在多个智能体基准上优于代表性基线。

事件概述或研究问题

智能体基准的评测成本显著高于传统 LLM 基准，因此基准压缩是自然需求。材料指出，现有方法主要建模任务—模型最终分数分布中的冗余。为弥补这一局限，作者分析大规模轨迹，识别出六类与最终智能体表现系统相关的互补过程信号，并提出从完整视角解耦智能体性能冗余的问题。

方法/产品要点

提出 DualViewEval：一种智能体基准压缩方法。
核心思路：联合利用结果与过程关系，学习一个固定大小的 miniset，并预测全基准分数。
过程信号：作者称从大规模轨迹中识别出六类互补过程信号，并与最终智能体表现系统性相关；具体信号名称、定义与计算方式在摘要/元数据中未给出，待核实。
实验覆盖五个智能体基准和五个代表性基线。

主要结果或产业意义

在全部数据集上，DualViewEval 取得最佳结果。
仅使用 20 个任务，在 APEX-Agents 和 BFCL 上实现 (24\times)–(40\times) 压缩。
相比最强竞争者，平均绝对误差（MAE）降低 (14.5%)–(28.2%)。
在 SWE-bench Verified 上，相比 EssenceBench，Kendall's (\tau) 最高提升 (7.2%)。
选出的 miniset 还能揭示不同智能体之间的能力差异，为高效智能体模型开发提供紧凑且具诊断性的反馈。
产业意义：若结果可复现，该方法可能降低智能体评测成本，同时保留对全基准分数和模型排序的预测能力。

为什么重要

智能体评测通常比普通 LLM 评测更昂贵，压缩基准可直接影响研发迭代速度。DualViewEval 的增量在于不只依赖最终分数分布，而是把过程关系纳入压缩与预测，可能更贴近智能体行为特征。与已有相关卡片主题无直接延续或更新关系；本条新增的是“智能体基准压缩/高效评测”方向。

与既有脉络的关系

现有相关卡片分别涉及 MLIP 优化器、组合图像检索和多智能体代码编排，与本条没有直接事实重叠或延续关系。本条可作为 foundation-model 主题下“智能体评测效率与基准压缩”的新增节点。

局限与不确定性

六类过程信号的具体内容、定义、计算方式和跨基准稳定性：待核实。
五个智能体基准的具体名称中，仅 APEX-Agents、BFCL、SWE-bench Verified 在摘要中明确出现；其余基准名称待核实。
五个代表性基线的具体名称、实验配置、智能体模型、任务规模和统计显著性：待核实。
消融实验、复现资源、代码/数据开源情况、作者机构与同行评审状态：待核实。
MAE 与 Kendall's (\tau) 的提升是相对特定竞争者和特定基准的结果，向其他基准或真实开发流程的泛化边界待核实。

可用于图书/PPT/简报的角度

从“只看最终结果”转向“结果 + 过程”的智能体评测设计。
基准压缩如何降低智能体评测成本：20 个任务、(24\times)–(40\times) 压缩作为案例。
miniset 作为诊断工具：用少量任务揭示不同智能体的能力差异。
双视角关系学习：如何同时建模任务—模型结果关系和过程行为关系。
智能体模型开发中的快速反馈闭环：紧凑评测与全基准分数预测。

原始材料

英文标题：Beyond Outcomes: Dual-View Relational Learning for Efficient Agent Benchmarking
arXiv ID：2609.18909v1
作者：Xinshuai Guo, Junjie Wu, Dolly Deng, Yinghui Li, Hai-Tao Zheng, Suncong Zheng, Maxm Pan
发布：2026-09-16T16:49:50Z
更新：2026-09-16T16:49:50Z
主分类：cs.CL
分类：cs.CL, cs.AI
摘要页：https://arxiv.org/abs/2609.18909v1
PDF：https://arxiv.org/pdf/2609.18909v1