在 Claw-Eval 之前，主流 Agent 评测的做法是：给 Agent 一个任务，看最终结果，判对错 … Claw-Eval 还进一步把多模态和多轮对话也纳入统一评测框架，但它最关键的贡献，首先是把 Agent 评测从”只看答案”推进到”看行动”… 如果说过去的大模型竞争更像能力展示的上半场，那么面向真实 workflow 的评测、验证与部署，才是 Agent benchmark 的下半场真正开始的地方。
在 Claw-Eval 之前，主流 Agent 评测的做法是：给 Agent 一个任务，看最终结果，判对错 … Claw-Eval 还进一步把多模态和多轮对话也纳入统一评测框架，但它最关键的贡献，首先是把 Agent 评测从”只看答案”推进到”看行动”… 如果说过去的大模型竞争更像能力展示的上半场，那么面向真实 workflow 的评测、验证与部署，才是 Agent benchmark 的下半场真正开始的地方。