MBABench-2.0发布：金融电子表格构建基准，AI通过率仅16%

MBABench-2.0 研究团队在 arXiv 发布论文，提出包含 101 个原创金融电子表格构建任务的基准，评测显示最优智能体通过率仅 16%，暴露出当前智能体构建电子表格能力的显著差距。 该基准以 12 大类共 129 项标准评估准确性之外的可读性、可维护性和可审计性。任务难度较高，据论文估计，最难任务需要具有 3 年以上经验的建模者耗时 33 小时。评测覆盖 8 个模型、4 种 harness 下的 20 多个智能体。

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。