HuggingFace Daily Papers· Enhan Zhao, Yongqi Tong, Xuejun Yu, Hang Wang, Pan Wang, Yichao Wang, Di He, Jianshe Li, Wei Wu·· 12 天前AI 评分45
BizBench: 揭示长周期智能体在真实业务部署中的隐藏挑战
BizBench: Unveiling Hidden Challenges in Deploying Long-Horizon Agents for Real-World Business
AI 导读
BizBench 基于真实支付公司流程构建，集成789份知识文档和601个业务工具，评估长周期智能体在资源约束、时序依赖等复杂场景下的执行有效性。Claude Opus 5 和 GPT-6 Sol 严格成功率仅64.0%和61.3%，Qwen3.8-27B 达标率42%但严格成功率降至32.7%，DeepSeek-V4.1-Flash 工具调用次数达191.3次，超参考执行70%。
来源：HuggingFace Daily Papers · arxiv.org