arXiv · NLP· Yang Liu, Jiaqi Li, Jun Bai, Qianyu Yang, Xiaobo Hu, Tao Peng, Zaiyuan Wang, Ran Tian, Jiayun Dong, Chun Zhang, Zixia Jia, Kaiyuan Chen, Yixin Ren, Yang Liu, Yanglihong Xiao, Lingyue Yin, Tiliang Duan, Ge Zhang, Gang Yao, Hao Chen, Yuan Gong, Jianpeng Jiao, Zilong Zheng·· 2026-10-09AI 评分37
OneMillion-Bench 评测语言智能体在专业领域的可靠性
\$OneMillion-Bench: How Far are Language Agents from Human Experts?
AI 导读
研究者推出 OneMillion-Bench 基准,包含 400 个专家级任务,覆盖法律、金融、医疗等五大领域。 评测要求检索权威来源并解决冲突证据,采用基于评分标准的协议衡量事实准确性与逻辑连贯性。 该基准统一测试了智能体在专业场景中的可靠性与实用准备度,已被 NeurIPS 2026 接收。
来源:arXiv · NLP · arxiv.org