对代理能力的评估显示，未调优的 Qwen3.6-27B 模型成功完成了所有测试任务，使用了 6-9 次工具调用，而调优后的 Nemotron Puzzle-75B 需要手动调优的提示词和显著更多的轮次才能通过。

  • Qwen3.6-27B (INT8-AutoRound) 使用中性系统提示词，每项任务耗时 134-190 秒，通过了所有代理任务。
  • Nemotron Puzzle-75B (NVFP4) 在没有手动调优的情况下表现不可靠，需要 13-23 次调用和 221-384 秒才能通过。
  • 作者指出，对于代理性能而言，轮次更少比原始 token 解码速度更为关键。
  • 前缀缓存问题被确定为使用相同负载时初始失败的潜在原因。

结果表明，对于代理工作流，工具使用的效率优于更大模型尺寸或更高吞吐量的优势。