多 Agent 研究中如何评估不同模型的能力，并设置客观比较标准？

在你的多智能体协作 idea 实验设计中，对不同模型能力的评估需要给先验输入还是有客观评价标准？启发你的那篇论文把市面上模型的能力维度拆成了几种？