BizBench揭示长周期Agent部署挑战
发生了什么
据Hugging Face Papers报道，BizBench基准测试揭示了现实商业部署中长周期智能体的隐藏挑战。该基准基于领先支付公司的真实流程，包含50项涉及资源约束和冲突政策的任务。实验显示前沿模型严格成功率仅约六成：Claude Opus 5为64.0%，GPT-6 Sol为61.3%。Qwen3.8-27B目标达成率42.0%，但严格成功率降至32.7%。DeepSeek-V4.1-Flash平均每次运行需191.3次工具调用，比参考执行多约70%。
- Claude Opus 5严格成功率
- 64.0%
- GPT-6 Sol严格成功率
- 61.3%
报道与来源
1 篇发布方数量不等于独立核验数量。同稿的多个入口保留在对应报道中。
来源关系与证据边界
按已记录的来源角色展示；连线仅表示原生身份流程确认的同稿入口，不表示独立佐证或跨报道引用。
- 来源报道1 个发布入口