TruthNian 开源 llm-pomdp-agent-eval 基准：测试智能体在资源约束下接管故障并交付可验收结果

TruthNian 发布 llm-pomdp-agent-eval 基准，评估智能体能否在信息不全和资源约束下把模糊故障接管为可验收的业务结果，单元为含失败动作、执行故障和交付成本的完整交互轨迹。GPT-6 Sol 多次在 20-39 个动作内交付，GLM 多次尝试或超时或遗留错误订单，所有高难度目标均未达成，失败尝试与回归锚点全部保留。基准采用 HTTP/SQL 真实业务操作与独立业务评分，不设默认加权智能评分，代码以 Apache-2.0 许可开源。