Agora: 面向智能体职场文档推理的档案基准测试

Agora 是一个包含 362 个问题和 8 个领域共 9664 份真实文档（372M tokens）的基准测试，强制智能体进行有目的的探索而非全量扫描。 该基准通过智能体流水线构建，结合跨文档任务合成与去混淆；评估显示最强模型准确率仅 59.4%，表明任务远未解决。