IBM 研究：智能体任务通过率背后的一致性差距与 ALTK-Evolve 修复方法

IBM 研究团队指出，GPT-4.1 驱动的 ReAct 智能体在 AppWorld 上 Mean@5 为 77.4%，但 Pass^5 仅 53.0%，存在 24.4 个百分点的“一致性差距”，即同一任务重复运行并非每次都成功。