Deployment Decision Reliability

这项工作用四面体 Generalizability Theory 拆解 TheAgentCompany、tau2-bench、AppWorld 的长时程评测方差，并把结果封装成部署决策报告。三个数据集里 agent 主效应都不到总方差的 3%，agent-by-task 交互却占 7%-23%；tau2 action_checks 在最难四分位的可靠度从 0.752 直接降到 0。结论不是再造一个排行榜，而是提醒采购方报告任务抽样和不确定性，否则榜单很可能只是在排“专长”。