Kolab：长流程工作中人机协作评测基准

研究人员推出人机协作评测数据集 Kolab，包含来自 40 个职业的 50 位专业人士在真实长流程任务中与 AI 智能体协作的 115+ 小时屏幕录像及质量评估。评测重点考察模型预测专家对其产出的采纳情况，以及评估协作满意度和输出质量的能力。测试显示前沿模型高估了与专家的协作表现，且更长的工作流上下文未能持续改善预测效果。