量化智能体编码评测中的基础设施噪声

Anthropic 发现智能体编码评测中，容器资源配置本身就能造成超过榜单名次的分数差异：Terminal-Bench 2.0 上最宽松与最严格配置相差 6 个百分点。文章建议评测同时指定资源预留值与硬上限，并公开执行方式，否则 3 个百分点以内的榜单差距都值得怀疑。