EarlyEval 提前终止注定失败的 agent 运行，评测最多省四成 token

EarlyEval（arXiv 2609.02783，9 月 3 日周四 digest；SMU）通过提前预测结果来降低 agent 评测成本：基于行为、文本与参考解特征的 LightGBM 成败分类器，在置信度越过校准阈值时终止 agent 运行。在 SWE-bench Verified、TerminalBench 与 Toolathlon 上，它省去 13-26% 的 agent 步骤、最多 44.1% 的输入 token 与 29.4% 的输出 token，准确率 89-97%，而每个 agent 的解决率只被扰动 1-2 个百分点。代码与数据已公开。

agent 评测是真实开支：一次前沿 agent 运行从几美元到几百美元，而其中大部分花在第三步就已注定失败的运行上。对大规模跑 agent 评测的团队，这是即插即省的方案——用 1-2 个百分点的解决率扰动，换 30-40% 的 token 削减。

ArXiv	2609.02783，2026 年 9 月 3 日周四 digest 宣告
机构	新加坡管理大学（Yuling Shi、David Lo）
机制	基于行为 / 文本 / 参考解特征的 LightGBM 成败分类器；校准置信度阈值触发提前终止
结果	SWE-bench Verified / TerminalBench / Toolathlon：省去 13-26% agent 步骤；最多省 44.1% 输入 token、29.4% 输出 token；准确率 89-97%；单 agent 解决率扰动 1-2 个百分点
代码	已公开（见 arXiv 页注释）