不测量模型，而是测量服务栈：本地工具使用评估中的隐藏混淆因素

代码代理必须先发出有效的工具调用——即按照所提供模式可解析的工具调用——测试框架才能执行其选定的操作。我们研究了本地服务栈如何影响这一协议步骤，并表明测得的结果可能取决于服务层，而不仅仅是模型行为。在 Ollama 中，默认的 tools= 请求由每个模型的静态模板标志控制：一些模型会被接受并以文本形式返回调用，一些模型会返回原生的 tool_calls，而 Phi-3 和 Gemma-3 则会在推理开始前被拒绝。在我们的测试框架中，拒绝和重试耗尽不会以结构化失败元数据的形式保留，因此下游分析可能会将其误判为模型未发起调用，并简单地报告 0% 的保真度。对于被接受的模型，在保留原生通道的同时加入文本工具列表，可以恢复相当一部分测得的保真度；而统一采用文本协议则会降低 Llama-3.2 的保真度，因为该模型支持原生工具调用。针对 Ollama、llama.cpp、vLLM 和 SGLang 的跨服务栈探测显示，它们对同一请求的处理方式各不相同。受约束解码可以消除解析失败，但可能导致不终止；按轮次汇总与按实例计算的估计值最多相差约 55 个百分点。最后，我们给出一份检查清单，用于将服务行为视为评估协议的一部分。