Aug 29, 2026 13 min read General AgentBench 精读:工具更多之后,“算得更久”为何不一定做得更好 在统一环境跨搜索、编码、推理与工具使用研究时序/并行 test-time scaling,并定位上下文上限与验证缺口。 aillmagentpaper-readinggeneralisttest-time-scaling