为什么只看英文基准会误导 AI Agent 选型

平均分会隐藏问题

强英文分数可能拉高综合均值，但同一个 Agent 在中文客服、日文商务写作或西语政策回复中表现并不稳定。

• 语言语气问题可能被总分掩盖。
• 日期、礼貌程度和客服习惯会因市场不同而变化。
• 本地团队需要看到自己语言里的证据。

更好的基准应该展示什么

更好的评测应该同时展示综合分、各语言胜者、任务类型胜者和严重失败率。这样读者才能做决策，而不是只记住第一名。

AAA.win 怎么处理

AAA.win 把多语言任务、失败标签和方法说明放在一起，让读者在使用分数前先理解分数代表什么。