長程任務

速報

PolyWorkBench：多語言長程工作流程的 LLM 代理人基準測試

研究針對大型語言模型（LLM）代理人在多語言長程工作流程中的表現，推出全新基準 PolyWorkBench，涵蓋商務、知識工作、法律、在地化與製造五大領域，共 67 項任務。測試要求代理人處理多語言輸入、迭代推理、呼叫外部工具並產出結構化結果，並以結構評分、可執行驗證與語意評估三層框架進行評估。