arXiv cs.AI· George Juraj Salapa·· 6 天前精选AI 评分62
kw-bench：针对真实知识工作任务检验前沿智能体框架的基准测试
kw-bench: Breaking Frontier Harnesses on Real-World Tasks
AI 导读
研究人员推出面向调查性知识工作的基准测试 kw-bench，用于检验编码智能体框架在跨系统与碎片化证据等真实任务中的表现。该基准采用确定性评分，首个任务针对跨三代 SAP 系统的五年增值税重构展开测试。
推荐理由
该研究通过真实的跨系统审计任务检验智能体框架的调查能力，展示了工具框架适配性对复杂知识工作的影响。
来源：arXiv cs.AI · arxiv.org