AlphaDiana：面向可验证推理任务的智能体评测度量系统

研究团队推出 AlphaDiana 智能体度量系统，用于在可验证推理任务中解耦分析模型调用、工具执行、技能指导与记忆保留对表现的影响。测试 3 款开源模型与 3 种开源 harness 的结果显示，智能体框架并不总能提高推理准确率，工具带来的新增解题收益容易被单模型原本答对题目的失误抵消。