FDE-Gym：面向AI代理交付能力的评测基准发布

研究者发布FDE-Gym基准，测试AI代理在真实客户交付最后一公里场景中的表现。基准包含20个客户场景、18个行业的95个端到端任务，由行业专家从真实项目改写，按客户业务指标的归一化提升（0到1）打分，并对消息、试运行与等待时间扣分。 评估七家厂商13种模型配置后，最佳配置平均得分仅0.56，仅完成14个任务（得分≥0.8且无事故）。基准作者指出，隐含约束是当前的主要瓶颈。 同一评分标准下，另有一个在线平台供人类练习交付技能。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。