研究团队推出长程就医代理智能体评测基准BABA-Bench
Start here
2026年11月2日，研究人员推出长程就医代理智能体评测基准 BABA-Bench。该基准包含47个由真实脱敏案例构建的交互环境，旨在同时评估智能体的任务结果与流程合规性。评测结果显示，在针对14个前沿模型进行的1,974次测试中，达成目标要求的921次运行里有28%未遵循必要流程。其中，Claude Opus 5模型虽然在81.6%的运行中成功完成目标，但其完全合规率仅为52.5%。
AI-generated from reports · Updated 5 hours ago
Report timeline
Follow the reports to see different sides of the story.
- arXiv 人工智能研究团队推出长程就医代理智能体评测基准 BABA-Bench
研究人员推出长程就医代理智能体评测基准 BABA-Bench，包含 47 个由真实脱敏案例构建的交互环境，用于同时评估智能体的任务结果与流程合规性。在针对 14 个前沿模型的 1,974 次评测中，达成目标要求的 921 次运行里有 28% 未遵循必要流程，Claude Opus 5 虽在 81.6% 运行中完成目标，但完全合规率仅为 52.5%。
Story heat trend
Current heat 9·Comparable peak 10（Nov 2 14:00）·Comparable change, last 24 hours–
Trends compare only the same parties observed continuously, so the scope can be narrower than current heat counts. Move the pointer or tap the chart to see hourly heat; use the left and right arrow keys on a keyboard.