Ahe

新的EvoCowork基准测试在真实办公任务上评估AI代理

研究人员推出了EvoCowork，这是一个旨在评估真实办公任务中自我改进AI代理的新基准测试。该基准测试包含跨越演示文稿、文档、电子表格和跨办公室工作流四种模式的240个任务。EvoCowork评估提交的产物在内容准确性、结构完整性、公式正确性、文件间一致性和视觉质量方面。初步评估表明，虽然AI代理可以在提供反馈的任务上提高性能，但这些提升并不总是能转移到协调的跨办公室工作流中。