作者主张长期智能体任务必须依靠人工设计的明确评测，模型自动生成评测目前并不可靠。
推荐理由：核心判断是智能体数量和能力无法替代可度量目标，评测才提供持续爬坡的反馈面；尤其指出自动生成评测质量不足，约束了所谓递归自我改进。
阅读原文