Agentic AI is increasingly judged not by fluent output alone but by whether it can act, remember, and verify under partial observability, delay, and strategic observation.
大多数人认为AI系统的价值主要取决于其流畅的输出能力，但作者认为AI的价值应更注重其在复杂环境中的行动能力、记忆功能和可验证性，这挑战了当前AI评估的主流标准。
Agentic AI is increasingly judged not by fluent output alone but by whether it can act, remember, and verify under partial observability, delay, and strategic observation.
大多数人认为AI系统的价值主要取决于其流畅的输出能力和表现，但作者认为AI应该被评估其行动能力、记忆能力和可验证性，因为这些因素在部分可观测性、延迟和战略观察的环境下更为关键。这一观点挑战了当前主流AI评估标准，强调了AI系统在复杂现实环境中的实际表现而非仅仅是语言流畅度。
Consequently, they cannot verify if tools were actually invoked, applied correctly, or used efficiently.
主流观点认为只要AI模型给出正确答案，其工具使用过程就是合理的。但作者尖锐指出现有评估方法根本无法验证工具是否被真正调用、正确应用或高效使用。这一论点挑战了AI领域对'结果导向'评估的依赖，暗示我们可能正在高估当前AI系统的实际能力，尤其是工具使用方面的能力。
However, existing evaluations fall short: they lack flexible tool integration, test visual and search tools separately, and evaluate primarily by final answers.
大多数人认为现有的多模态评估方法已经足够全面，能够有效衡量AI代理的能力。但作者指出这些评估方法存在根本性缺陷：缺乏工具集成能力、单独测试不同工具、仅关注最终答案而非过程。这一观点挑战了当前AI评估领域的共识，暗示我们需要重新思考如何真正衡量AI代理的能力。