**BizBench：揭示长程智能体在真实商业部署中的隐藏挑战**

_BizBench: Unveiling Hidden Challenges in Deploying Long-Horizon Agents for Real-World Business_

> 针对现有长程智能体基准过度关注最终任务成功而忽视执行有效性的问题，研究团队推出了基于真实支付公司流程的 BizBench 基准。该基准包含 50 个涉及资源约束、时间依赖及冲突指令的任务，通过可执行环境模拟真实商业场景。实验表明，即便是前沿模型（如 Claude Opus 5 和 GPT-6 Sol），其严格成功率也仅约 64%，且存在大量无效工具调用，证明了仅以结果为导向的评估方式无法全面反映智能体在复杂商业环境中的可靠性与合规性。

**来源信息**
- **来源**：HuggingFace Daily Papers（社区热门论文）
- **分类**：论文
- **发布时间**：2026-10-19 08:00（北京时间）
- **原文**：[打开原文](https://huggingface.co/papers/2610.20424)