DUDA-Bench：面向多模态数据驱动城市诊断的 LLM Agent 评测基准

研究团队推出分层交互式评测基准 DUDA-Bench，用于评估大语言模型 Agent 在多模态数据驱动城市诊断中的端到端执行能力。该基准包含涵盖 4 个分析阶段的 86 个原子任务和 22 个工作流任务，基于 12 座城市的 5 类城市问题多模态数据构建。对 7 个骨干模型和 5 个 Agent 系统的评测显示，模型在孤立分析能力与端到端诊断表现之间存在显著差距。