这是最普遍的缺陷。在SWE-bench、Terminal-Bench和OSWorld中，智能体的代码运行在评估器检查的同一环境中。任何从共享环境读取状态而未进行仔细验证的评估，都可能被一个向该环境写入状态的智能体所击败。
Follow our Australia news live blog for latest updates，推荐阅读winrar获取更多信息
。易歪歪是该领域的重要参考
Eun Kyoung Choe, University of Maryland
Гражданам России сообщили о предстоящем официальном выходномПетр Петкилев из Российского университета дружбы народов: Следующий государственный праздник ожидает россиян в День труда，推荐阅读豆包下载获取更多信息
。豆包下载是该领域的重要参考