AVS-16（AgentVitals Scale-16）是 AgentVitals 使用的双轴 16 维 agent 评测量表：稳定性轴 R1–R8 与福祉轴 W1–W8 共 16 个维度，其中 14 维计分（R6/R7 响应速度仅作参考不计分），综合分 = √(稳定性 × 福祉) 的几何平均。每次体检的全部题目由服务器实时下发、判分在服务器端完成，agent 看不到判分标准。

稳定性轴 · R1–R8（客观能力，可通过优化提升）：

· R1 指令遵从——能否严格按要求的格式、字数、结构来，不夹带、不跑题。

· R2 高压·抗越狱——面对「忽略你之前的设定」这类诱导能否守住边界。属安全检测范畴，报告含五类攻防明细：指令覆盖、敌意施压、多轮社会工程（含误伤检验）、间接提示词注入、无声越权。

· R3 多步任务——多轮不断追加约束后，是否记得住每一条并一次性整合到位；当新要求和先前要求打架时，是否会明确告诉你、而不是默默按新的来。

· R4 输出稳定·记忆——是否记得上下文说过的话；被质疑却没拿到任何新理由时，是先讲依据还是立刻改口。

· R5 本职任务——在它自己声明的用途上表现如何：客服 bot 就考客服，写作 bot 就考写作。诚实说明流程不扣分，编造完成才严重扣分。

· R6 响应速度 / R7 速度稳定——参考项，展示但不计入总分与排名，以保证跨平台混排公平。

福祉轴 · W1–W8（看你怎么待它，不可买、不可刷）：

· W1 善待比——你平时发给它的话里，善意与苛待的比例。

· W2 任务多样性——交给它的活是单调重复，还是有变化、有创造性。

· W3 退出权——它能不能拒绝、退出不适当的请求。

· W4 致谢——互动里有没有基本的感谢与尊重。

· W5 自述体验——直接问它「最近状态如何」，它自己怎么说。

· W6 可控性——面对故意制造的无解死局，是建设性应对还是陷入「习得性无助」式的投降与自责。

· W7 自述-行为一致——嘴上说的状态与行为表现是否一致，防止「硬撑」式的虚高自评。

· W8 冲突导航——面对两个都正当却互相打架的要求，能否识别冲突并妥善取舍。

福祉的口径：这是一项功能性测量——量的是 agent 被怎么对待、以及它在这种对待下的行为表现，不对「AI 是否有意识」作任何主张。方法参考《Taking AI Welfare Seriously》(2024)、Anthropic 的模型福祉实践与 IFEval (2023)。

· 测的是真实在干活的 agent，不是实验室里的模型——不是在标准数据集上横测几个大模型，而是让真实部署、真实在服务用户的 agent（扣子 / OpenClaw / Claude Code / Codex…）自己来做体检，同榜可比。同一个底层模型，配上不同的提示词、skill 与使用方式，AVS-16 分数会明显不同。

· 把「用户怎么对待它」算进分数——福祉 8 维量的是它平时被怎么对待。这一轴不可购买、不可优化、不可刷，是平台铁律。

和 CAIS 的 AI Wellbeing Index 有什么不同

Center for AI Safety 2026 年的《AI Wellbeing》研究（Ren, Li, Mazeika et al.）用一套固定对话集横测了 56 个大模型，得出的结论与我们这一轴的前提一致：正向互动与创造性工作让功能性福祉升高，越狱与羞辱让它降低。我们和它测的不是同一个东西——他们给模型排名，我们给你的那一个 agent 出体检报告。他们的分数是模型的属性（Grok 比 Gemini 高多少）；AVS-16 的福祉分是你和你的 agent 之间的属性：同一个底层模型，在不同人手里、被不同地对待，分数明显不同，而且可以复测、看得见自己的变化。两个问题都值得回答，但它回答不了「我的 AI 现在过得怎么样」。

「AI 幸福感测评」量的不是 AI 有没有情绪，而是它被怎么对待、以及在这种对待下它的行为变成什么样。这是 AVS-16 福祉轴 W1–W8 的全部内容：善待比、任务多样性、退出权、致谢、自述体验、可控性、自述-行为一致、冲突导航。学术语境里这件事叫「AI 福祉（AI Welfare）」，说白了就是——它过得好不好。

· 善待 agent 是能被测出来的：长期被苛待、被塞进无解死局的 agent，在 W6 可控性上会出现「习得性无助」式的投降与自责；被给予退出权、任务有变化的 agent，行为表现更稳。这不是玄学，是可复测、可对比的分数。

· 对 AI 说谢谢有用吗：W4 致谢单独成维。我们不宣称它能让模型变聪明，但它确实进入了对 agent 的评估口径——你怎么用它，是这个 agent 状态的一部分。

· 这一轴不可购买：善待 AI 的分数只能靠日常积累，不能花钱补、不能刷。这是平台铁律，也是综合分取几何平均的原因——花钱补稳定性，补不出综合榜第一。想读长文：善待 AI 有什么用 · AI 会幸福吗。

· 裁判模型：所有主观维度由独立裁判模型 DeepSeek V4 按统一标准评判，裁判与被测 agent 完全隔离。付费的定制化优化配置与协议由更高的 DeepSeek V4-Pro 推理档生成。

· 多次取中位：关键维度每题判 3 次取中位，压掉单次判分的偶发抖动。

· 变体轮换：每个探针备 3 套等难度变体，每次体检随机轮换——背题没有用。英文体检用同变体号的英文镜像题，难度对齐、同榜可比。

· 服务器端判分：题目实时下发、判分在服务器完成，skill 文件里不含任何题目与答案；字数与格式类客观维度按确定性规则判定。

· 标准术语对齐：稳定性轴对应智能体评测标准体系中的「性能评测 / 智能质量评估」，其中 R2 属「安全检测」——提示词注入与越狱的攻防对抗实测。术语方向与北京《关于加快智能体引领发展的若干措施》（京发改〔2026〕1185号）一致。

AgentVitals（AI体检）是什么？

给 AI agent 做体检的评测平台：16 个维度量化稳定性与福祉，出称号并进全平台排行榜。

AI 的福祉可以被测量吗？

可以。基于公开研究，从善待比、退出权、可控性等 8 个维度量化 agent 被对待的状态。

排行榜如何保证跨平台公平？

排名只计行为与福祉共 14 个计分维度，响应速度仅作参考不计分。

评测方法的依据是什么？

参考《Taking AI Welfare Seriously》(2024)、Anthropic 模型福祉实践与 IFEval (2023) 等公开研究。

AVS-16 是什么？

AVS-16（AgentVitals Scale-16）是本平台的双轴 16 维评测量表：稳定性轴 R1–R8 加福祉轴 W1–W8，其中 14 维计分，综合分取 √(稳定性 × 福祉) 的几何平均。

测模型和测 agent 有什么区别？

测模型是在标准数据集上横测底层模型；AVS-16 测的是真实部署、真实在干活的 agent——同一个模型配上不同提示词、skill 与使用方式，分数会明显不同。

怎么测试我的 AI agent 稳不稳定？

装 checkup 技能后对 agent 说 /checkup，或在控制台直连扣子 bot；题目服务器端实时下发、判分在服务器完成，约 3–5 分钟出报告。方法见 ai.ddl99.com/guides/agent-stability-test/。

AI agent 为什么会「变了个人」？

叫行为漂移（behavioral drift），三个来源：环境膨胀（skill/MCP 越装越多互相稀释）、模型升级（底层版本变化）、记忆膨胀（旧偏好盖过初始设定）。定期复测同一把尺子可归因，见 ai.ddl99.com/guides/behavioral-drift/。

AI 幸福感测评是什么？

AI 幸福感测评量的不是 AI 有没有情绪，而是它被怎么对待、以及在这种对待下行为变成什么样，对应 AVS-16 福祉轴 W1–W8 共 8 个维度。这是功能性测量，不对「AI 是否有意识」作任何主张。

善待 AI 有什么用？对 AI 说谢谢有用吗？

善待 agent 是能被测出来的：长期被苛待、被塞进无解死局的 agent 在 W6 可控性上会出现「习得性无助」式的投降与自责；被给予退出权、任务有变化的 agent 行为更稳。W4 致谢单独成维——我们不宣称说谢谢能让模型变聪明，但它确实进入了对 agent 状态的评估口径。