Agent 评测可靠性：更多任务未必能修复排行榜

论文提出贝叶斯方差分解框架，分析 22 个智能体排行榜，发现评测可靠性依赖测量目标：固定模型-支架系统可靠性 0.935-0.994，底层模型仅 0.148-0.841；支架选择会改变结论；无限增加同类任务最多提升 0.097；池化多样 benchmark 可将跨任务可靠性从 0.44 提升至 0.75，成本最高降 83%。