NVIDIA 详解 AI 智能体评估：从工具调用到任务完成

NVIDIA 发文梳理 AI 智能体评估如何从单次函数调用打分演进到整任务打分，指出 BFCL 只评估单次调用，调用准确率必要但不充分。完整评估需要可执行环境，配合步骤级过程打分与端到端结果打分，核心指标包括任务成功率、一致性、工具调用精度、参数准确率、每成功任务步数与成本。