By Unbug DeepLethe 联合清华大学、上海交通大学等团队发布的预印本论文《FDE-Gym: The Last Mile of AI Delivery》把目标对准 AI 落地中最缺乏评测的一环：交付。与现有 coding benchmark 提供写清楚的任务不同，FDE-Gym 用 95 个隐藏约束的端到端交付任务考察 agent 自己问、自己改、自己交付的能力，13 个模型配置、7 家 provider 中最好的平均分仅 0.56，95 题只解决 14 题。
FDE 与反向设计的考卷
FDE 即 forward deployed engineer（前置交付工程师）：常驻客户现场，把模糊需求问清楚，摸清没写进文档的限制，在与生产环境同构的系统上交付能跑的方案。FDE-Gym 按这一职业设计考卷：95 个任务来自 20 个客户场景、覆盖 18 个行业，由行业专家从真实交付项目改编；模拟客户环境配有可交互追问的脚本化 stakeholder（扮演客户方的虚拟干系人）和可修改的类生产系统，agent 需要自己提问、自己动手修改系统。评分不看任务完成度，而按交付物对客户自身成功指标的提升打分：0 分表示原样未动，1 分表示达到参考解（论文给出的达标解法）水平，与 stakeholder 的每次消息、试跑、等待都会产生罚分。这个机制对应交付行业的一个常识类比（非论文原话）：反复追问客户要信息，本身会被视为不专业。站内另一篇范式雷达文章讨论的 agent 取证层审查行为是否合规可核验，FDE-Gym 衡量的是交付物值多少业务分，评价对象从行为合规升级为业务结果（参见《AI 范式雷达：Agent 说完不算，拿出证据》）。
结果：问到不等于做出来
在约束全部隐藏、必须自行发现的现实设定下，最好的配置平均分为 0.56——这是相对参考解的归一化得分，并非成功率。所谓解决有明确定义：得分 ≥ 0.8 且全程无事故（incident），按此标准 95 题中最好配置只解决 14 题。瓶颈的相当一部分落在发现隐藏约束：不给提示时，模型性能骤降。但论文的测量结论表明瓶颈不止于此：在 23 个题目中，最好配置已经把关键事实全部从 stakeholder 处问到，最终也只有 10 题做到业务提升 ≥ 0.8。也就是说，问到 ≠ 做出来：信息齐全之后，把信息变成达标的交付物仍是独立的鸿沟，这也是「最后一公里」难走的原因。
从解题到交付的评测迁移
FDE-Gym 把 benchmark 的评价对象从「题目写清楚了能不能做对」迁移到「题目没人写清楚，能不能交付业务结果」：分数绑定客户自身的成功指标，交互成本计入总价，模型必须自行决定问什么、改什么、交付什么，考卷本身也第一次把「题目没人写清楚」做成了考核内容。对从业者，这意味着榜单分数与现场可用度之间的距离首次被量化：从 0.56 的平均分到 14 题的解决数，模型与前置交付工程师之间还隔着发现约束与完成改造两段路。该平台同时对人类开放同一套环境与评分，人可以按同一标准练习 FDE 技能，这也是名字里 Gym 的含义。作为 2026 年 10 月挂出的预印本（编号见 References），数据口径以论文后续版本为准。
AI 范式雷达：《Agent 说完不算，拿出证据》