arXiv 人工智能· George Juraj Salapa·· 6 小时前AI 评分60
kw-bench 真实场景评测基准发布，测试知识工作型 Agent 框架能力
kw-bench: Breaking Frontier Harnesses on Real-World Tasks
AI 导读
研究团队推出面向真实调查性知识工作的评测基准 kw-bench，首个任务族要求在跨三代 SAP 系统的非结构化抽取数据中重建五年增值税记录，采用确定性评分而非大语言模型裁判。
来源：arXiv 人工智能 · arxiv.org