智能体可靠性从何而来？生产级企业智能体中的验证循环、专用模型与脚手架分解

该研究评估生产级企业智能体 Leni 在 SpreadsheetBench Verified、BullshitBench v2 和 GAIA 三项基准上的可靠性来源。完整系统相对前沿基座模型分别提升 11.0、7–10 和约 15 个百分点；消融显示，大部分收益来自脚手架、路由和专用模型，验证循环本身仅贡献约 1.5 个百分点，但集中修复高分段任务。