国际人人都是产品经理人人都是产品经理
马斯克回应 Grok 4.8 延期：不追跑分，Agent 验收该看交付
阅读原文 ↗为什么值得读
马斯克一句「不在意跑分」把验收标准从榜单拉回真实任务，正好对上 Ruby 一直说的：Agent 要交付，不是要分数。
核心发现
- 01
Grok 4.8 延期且无公开时间表和 Benchmark，参数传闻均未证实。
- 02
马斯克表态更看重解决真实问题，而非跑分排名。
- 03
文章建议用任务完成率、工具调用可靠性、恢复能力和单任务成本来验收 Agent。
Ruby 怎么看
这事我的判断很直接：模型发布节奏由厂商决策，跑分是厂商自证；但 Agent 能不能交付，得由用的人来验收，兜底也得是业务方自己。别等榜单，先拿真实任务跑一遍：完成率多少、工具调用掉不掉链子、错了能不能恢复、单任务花多少钱。这四项过了，再谈上线。人机协作，不止对话，更要交付。
若我在业务里怎么验证
挑三条团队高频真实任务，各跑 10 次，记录任务完成率、工具调用失败率、失败后恢复成功率和单任务成本；四项达标再进生产。
延伸阅读 / 原文
本文为 Ruby 个人观点与阅读笔记，不代表原发布机构立场。正文为摘要与评论，非全文转载。完整内容请阅读原文。