智能体评估何时才算结束？结果终局性与跨单元分离

当前Agent评测通常对一次运行停止时可见的状态打分，并将这次运行计为一个试验。然而，将分数解释为最终结果需要两个条件：结果终局性与跨单元分离，而终点本身未必能证明它们。两者相互独立：解决一个延迟结果可以确定标签，但不同运行仍可能共享状态；隔离运行可以避免状态残留，但被评分结果可能仍未完成。我们提出一个完成性论证，规定每项判断需要什么证据，并主张只有当所有仍可能改变所声称结果的因素都已解决、被界定，或作为不确定性保留下来时，最终标签才有依据。首先，在固定Agent动作的受控回放中，每个延迟操作的终点标签与最终标签都不同；当服务状态在运行间持续存在时，延迟写入会改变下一次运行的分数，而隔离或经验证的重置之后则不会。其次，我们审查十个公开协议，发现它们都说明了运行何时停止及对什么评分，但对未完成操作以及将不同运行视为独立试验的证据，记录不够一致。最后，我们提出开放效应记录，列出终点之后仍可能相关的操作或资源、其当前状态，以及它们能否改变被评分结果或影响另一次运行。