arXiv · AI· Dongxu Yang, Hongda Yan, Renxin Wang, Baoli Zhang, Haojia Zuo, Ying Zhao, Youmin Chen, Xiaojian Liao, Congming Gao, Tianyang Jiang, Yixiao Chen, Qing Wang, Zhiguo Yu, Xiaqing Li, Yuhao Zhang, Jiawen Sun, Renzhe Xu, De Mi, Tiancheng Wu, Xianya Fu, Xuanlu Zhao, Bo Feng, Meixuan Ren, Guanming Lin, Ziheng Zhou, Xinhua Wang·· 2026-10-16AI 评分47
FDE-Gym:AI 交付“最后一公里”基准测试
FDE-Gym: The Last Mile of AI Delivery
AI 导读
基准 FDE-Gym 包含 18 个行业 20 个场景的 95 项端到端任务,用于评估智能体在模糊需求下的交付能力。测试 13 种模型配置,最优组合平均得分 0.56,仅解决 14 项任务,主要瓶颈在于发现未明示约束。 结果显示,即使获取关键事实,归一化业务提升仍受限,揭示了解决明确任务与交付真实 AI 系统间的显著差距。
来源:arXiv · AI · arxiv.org