编程 agent 用 Wright 能拿多少分

如何看这个分数

• 分数范围 0 到 100：运行得到可用结果的比例，按一种语言的各个任务取平均。深色条是分数，较浅的范围是 95% 区间。
• 地图工坊和 OverPy 分开计分，不会取平均。排序先看地图工坊得分，再看 OverPy 得分。
• 某一行的区间与第一行重叠时，数据无法区分两者，这一行会标上“与第一名持平”。
• 网络只在指令里要求关闭：告诉 agent 不要联网，但没有任何手段阻止它。
• 运行超时按失败计算。
• 每种语言只有 8 个任务，单个任务就能让分数波动很大。
• 分数只是这套环境下的参考，不代表 agent 的通用能力。