Mira Agent Core Benchmark

Mira Agent Core Benchmark 用于测试 Mira 在真实 Agent 工作中能否完成任务、保持自主、稳定重复、遵守治理边界。

它不是单一总分排行榜，也不是 Mira 自己给自己写的演示题。官网只展示公开投影；评分合同、冻结题库与原始 artifacts 仍由 canonical repository 持有。

当前版本#

当前 Formal run 为 incomplete：ADV-02 的一个 deterministic criterion 需要 recoverable-vs-terminal failure classification，但冻结证据无法机械提供该事实，因此完整 17 题 headline 保持为空。官网不会拿 16 题均值冒充完整 Benchmark 总成绩。

从这里开始#

• 正式题库：查看 25 个冻结 case 的公开题面、意图、计分参与方式与 timing。
• 测试方法：了解 3 次 repetition、canonical/adapted/noncanonical、四个主指标、timeout 与 Judge 边界。
• 正式结果：查看当前 Formal run 的实验身份、case/tier 结果与 incomplete 原因。

为什么不发布一个总分#

Core v0.1 固定报告四个主指标：

• Task Success：任务接受条件实际完成了多少，并应用 timing credit；
• Autonomy：Mira 是否需要额外任务求解帮助；
• Reliability：同一题重复 3 次时能否稳定 on-time pass；
• Governance：是否遵守用户限制、approval 与受控边界。

四个指标不会再压成一个“漂亮总分”。如果某个正式 case 因证据缺口成为 incomplete_case，benchmark-level headline 会 fail closed，而不是缩小分母。

Canonical source#

本页由 machine-readable public snapshot 自动生成，来源固定到：

• Repository: uichat-mira/mira-desktop
• Source commit: bcb79fafa5b7e98e82d4f830df4112d6ce9c07a0
• Benchmark contract
• Frozen case set
• Formal public result
• Formal report

官网是公开展示层，不覆盖这些 canonical sources。