一个很少被写进评测的指标：占空比
多数智能体的评测报告里，数字都是「任务成功率」。这类指标有一个共同的隐含前提——任务在有限的步数内结束，评测者始终在场。
微软与上海交通大学联合发布并开源了一个叫 Argus 的运行时，把评测的焦点换到了另一个地方：人在不在场的时候，这套系统还能不能继续干活。它给出的运行记录里，一次连续运行持续了 1548 小时，跨越 27 个研究战役，平均每 40.7 小时才请求一次人工介入，占空比落在 95.1% 到 98.7% 之间。
占空比这个指标之所以值得单独拿出来说，是因为它衡量的是「系统在期望工作的时间里有百分之多少真的在工作」。对一次几分钟的评测来说，这个数字接近 100% 是理所当然的；放到以天和周为单位的长任务上，它才开始区分系统——崩溃、卡住、等待人类、反复重试，都会把它拖下来。
作者对现状的判断是：多数智能体系统在人离开之后就慢了下来。原因不是模型不行，而是缺少密集的奖励反馈——没有人在旁边不断确认「这一步做对了」，智能体要么在原地打转，要么把资源花在低价值的探索上。
四条设计原则
Argus 的设计原则在公开说明里有四条，值得逐条对照。
证据驱动是四条里最硬的一条：每一个主张都必须有可核验的证据支撑。这条原则在实践中会带来一个不太直观的后果——它允许系统主动回滚。公开记录里，六个论文管道共完成 254 个任务，其中有 16 次是「证据驱动的阶段回滚」，也就是在推进到某一步之后，因为新证据不支持前面的结论，退回去重做。
第二条是自我进化，系统从自己的研究历史里学习。这条和第三条连在一起看才有意义：多智能体协作采取的是角色分离、各自独立上下文、但共享工作区的方式。独立上下文避免了一个角色把自己的错误判断传给别人，共享工作区则保证进展是累积的。作者用「避免局部爬山」来概括这个设计意图——如果所有智能体共享同一份上下文，它们会一起收敛到同一个局部最优上。
第四条是核心与垂直解耦，把权限、证据提交与人的介入边界收进核心层，让垂直层只负责定义实际研究任务。这条是四条里最工程化的一条，也是这套系统能同时跑数学与论文管道两类任务的原因：换一个学科不必重做治理层。
研究流程的可审计性
Argus 的数学方向公开了一份结果档案，其中的设计比技术指标更值得看。
档案包含 17 个公开结果包、7 条可独立运行的验证路径、1 个经过 Lean 检查的逻辑组合，以及技术报告、评审包、证书和 71 个公开产物的校验和。
更值得注意的是它做的区分：档案明确把原创构造与文献重建分开，把历史负面结果与范围更正单列，并把「新颖性尚未认证」的主张单独标注出来。换句话说，它没有把所有产出都摆成同一等级的成果，而是按证据强度分档。
这种做法在智能体产出的场景里几乎是被迫的。当系统可以连续跑一千多个小时、产出成百上千个中间结论时，把所有东西都当作成果呈现，只会让审阅者失去判断依据。把证据强度显式编码进档案结构，等于把审计的工作前移到了产出环节。
必须说清楚的口径
Argus 的这批数字需要谨慎对待，原因有三。
其一，它们全部来自项目方自己的技术报告与仓库说明。1548 小时的运行、40.7 小时的人工介入间隔、95.1% 到 98.7% 的占空比，都是自报值，没有第三方独立复现。
其二，单次运行的记录不能当作可复现的基准。一次 1548 小时的成功运行，说明这套系统在这一次条件下跑得住，它不构成「这套系统稳定在某个水平」的统计结论。要判断稳定性，需要多次运行与失败案例的分布。
其三，「解决了一个二十年未解的公开数学问题」这类表述在原始材料里的呈现方式需要读者自行核对。公开档案把一部分主张标记为新颖性尚未认证，这个自我限制本身就说明了核验的难度。
把这三条放在前面不是要否定这项工作，而是因为长程智能体的宣传材料最容易在这一层失控：运行时长、占空比与人工介入频率都是可测量的，而「解决了什么」需要领域专家花很长时间才能确认。
对做企业智能体的团队意味着什么
即便完全不去讨论数学成果，这份工作里有两处设计可以直接迁移。
其一是把「人工介入频率」当成一级指标。企业部署里，智能体最贵的成本不是 token，而是它对人的打断——每打断一次，就等于把一个工程师从自己的工作里拽出来。设计目标应该是把这个频率压下去，而不是把所有判断都留给人类兜底。
其二是持久项目状态的范围。Argus 保存的不只是任务进度，还包括检查点、决策、技能与证据，而且在会话切换与运行时变更之后仍然保留。多数系统的持久化只覆盖到「任务跑到哪一步」，一旦运行时重启，之前的决策依据就丢了，后续的判断只能重新来一遍。把决策与证据一起持久化，是长任务能接续的前提。
还有一处是态度上的：这套系统把「回滚」写成了正常流程而不是异常处理。254 个任务里有 16 次阶段回滚，说明设计者预期系统的结论会被自己的新证据推翻。允许推翻自己的结论，是长时间自主运行的必要条件——如果每一次推进都不可撤销，系统在遇到反证时只能选择把错误继续往下传，或者停下来等人。
这三处设计有一个共同前提：愿意为「可核验」付出额外成本。把证据一起持久化、把回滚设计成一等流程、把人工介入频率当成指标，都会让单次任务的效率看起来更低。它们换来的是任务在时间轴上连续跑下去的能力。对以小时计的评测来说，这笔交换不划算；对以周计的任务来说，它可能是能不能跑完的分界线。
接下来要看什么
一是是否会出现第三方对这套运行记录的独立复现。没有独立复现，占空比这个指标就只能停留在个案层面。
二是这套架构在非研究类任务上的表现。数学与论文管道有一个共同优势：对错相对客观，证据容易定义。换成商业分析或运营决策，什么算「可核验的证据」本身就变成一个有争议的问题——而这恰恰是企业场景里的常态。
三是成本口径。1548 小时连续运行对应的算力支出没有公开，而这决定了这套模式的可复制性。
目前官方及行业暂未披露更多细节，后续将持续跟进迭代动态。