arXiv Artificial Intelligence· Julian Poeltl, Thomson Yen, Patrick Shea, Shubham Anil Varma, Dhruv Rastogi, Zihao Chen, Mengshi Zhang, Hongseok Namkoong·· 2 小时前AI 评分40
MBABench-2.0：评估 AI 智能体从零构建财务电子表格的能力
MBABench-2.0: Evaluating AI Agents on Constructing Financial Spreadsheets Beyond Simple Verifiability
AI 导读
MBABench-2.0 基准包含 101 个原创电子表格构建任务，最难任务估计需 3 年以上经验建模师耗时 33 小时。该基准用覆盖 12 类的 129 项标准评估可读性、可维护性等超出准确性的质量维度，在 8 个模型、4 种 harness 的 20 多个智能体中，最佳通过率仅 16%。
来源：arXiv Artificial Intelligence · arxiv.org