MCP-AgentBench: Evaluating Real-World Language Agent Performance with MCP-Mediated Tools
一篇mcp benchmark工作，首图有点像online-mind2web的风格。发现很多在之前bench上做的很好的模型，在新bench上暴露问题
话说我们之前做过toolbench，感觉这类mcp bench工作一直有个bug在于：缺乏可以定量的judge办法，主流都是对主观任务做llm judge，这种系统一般连接rl以后会快速hack，不知道kimi是怎么搞的
