Agent 评测通常让每条轨迹跑到终点，即使它很早就陷入重复报错、无效工具调用或错误假设。EarlyEval 提出一个直接的问题：能否从前几步行为预测最终失败，并及时停止，把预算留给更有希望的运行？
#用轨迹特征预测，而不是再请一个大模型
系统从步骤级轨迹中提取工具错误、重复动作、进展速度、上下文变化等特征，再用轻量 LightGBM 分类器预测成功或失败。它不需要读取隐藏答案，也不依赖昂贵的额外模型裁判，因此适合放进在线执行控制面。
许多失败轨迹在很早阶段已经出现稳定信号
#节省显著，成功率基本稳定
在 SWE-bench Verified、TerminalBench 和 Toolathlon 上，预测准确率达到 89%–97%。按策略提前终止后，总步骤减少 13%–26%，输入 Token 最多减少 44.1%，输出 Token 最多减少 29.4%，最终解决率只变化 1–2 个百分点。
EarlyEval 的特征提取、风险预测与提前终止流程
早停的代价是误杀：少量看似糟糕的轨迹可能在后期恢复。因此阈值不应只追求分类准确率，而要根据任务价值、调用成本和可重试性配置。高价值、不可逆任务应更保守；可并行采样的基准运行可以更激进。
#从评测技巧变成生产调度器
在生产环境中，EarlyEval 可以与重试、换模型、缩短上下文和人工接管联动。判断“当前轨迹无望”之后，系统不必简单结束，还可以把剩余预算转给新的起点。
更深一层的变化是，Agent 平台开始显式管理 成功概率随时间的变化 。未来成本报告不应只列平均 Token，而要给出失败轨迹浪费、早停召回率和误杀率，才能说明系统是否真正高效。