让它数，还是自己算：工具返回行清单时，数得对的模型花掉了 token

📋 概述

这是 Kaggle 基准挑战赛的参赛作品，测的是每个智能体都在做、却几乎没人测的一步：数清楚工具返回了什么。智能体的搜索、数据库或 API 工具通常返回一批记录，当用户问「有多少条」时，计数由模型完成。这个基准用同一批 68 个计数问题、两种工具版本问了十个模型：count_ids 直接返回准确计数，list_ids 返回匹配的 id。给出计数时，除一个模型外所有模型对大约 330 个 id 的每个问题都答对，成本还基本持平；给出 id 清单时，模型分成两拨——每问花 2700 到 8200 个输出 token 的模型能把 21 组清单数对 15 到 21 组，而在 600 token 内作答的只对 0 到 10 组。