arXiv 新增行为评测基准论文，强调下一代 Agent 可复现测试体系

arXiv cs.AI 最新论文列表中，多篇研究开始聚焦 Agent 行为评测与可复现 Benchmark，研究者同步开放 Hugging Face 与 GitHub 数据集和代码，希望建立下一代 AI Agent 的统一评估标准。