arXiv Artificial Intelligence· George Juraj Salapa·· 19 小时前AI 评分58
kw-bench：用真实增值税重建任务评测编码智能体 harness
kw-bench: Breaking Frontier Harnesses on Real-World Tasks
AI 导读
作者提出 kw-bench 基准，首个任务族是从三代 SAP 原始系统导出数据中重建五年增值税，评分完全确定性、不使用 LLM 判分。
来源：arXiv Artificial Intelligence · arxiv.org