还有一个重要的指标——准确率。伯克利函数调用排行榜 (BFCL) 是评估函数调用能力的标准基准。 Gemma 3 1B 的得分约为 31%，Llama 3.2 1B 约为 26%，两者未经微调的性能都很弱。由于 Gemma 3n 是通用型程序，因此未对其进行测试。Hammer 2.1 0.5B 没有公开数据，但其 1.5B 版本开箱即用的得分约为 73%——尽管它在 int8 内存中占用约 1.5GB 的空间，是 FunctionGemma（288MB）的 5 倍。
最后，智能体还需要有很强的可靠性、可控性，才能规模化的带来价值。这既体现在智能体能否稳定、鲁棒地完成任务，也体现在其行为是否始终与人类的真实意图与价值观保持一致。在《2001：太空漫游》中，AI为完成任务选择牺牲人类乘员，正是目标函数与人类价值未能有效对齐的极端后果。随着智能体智能水平与自主性的提升，这类对齐失败带来的风险可能会被进一步放大。
。关于这个话题，safew官方版本下载提供了深入分析
人 民 网 版 权 所 有 ，未 经 书 面 授 权 禁 止 使 用
人 民 网 版 权 所 有 ，未 经 书 面 授 权 禁 止 使 用