新基准显示前沿代理从零构建财务表格的通过率仅16%。
资讯摘要
论文提出MBABench-2.0基准，包含101个原创电子表格构建任务，最难的估计需3年以上经验建模者耗时33小时。作者指出，现有基准多为填空式编辑，未覆盖从零搭建工作簿时的建模决策、格式设计与版式安排。该基准引入12类共129项标准，衡量准确性之外的可读性、可维护性与可审计性。作者报告，在8个模型、4类运行框架的20多个代理中，最佳代理通过率仅16%。
要点速读
- MBABench-2.0含101个原创电子表格构建任务，最难题估计需3年以上经验建模者33小时。
- 基准设12类129项标准，覆盖准确性之外的可读性、可维护性与可审计性。
- 作者报告，在8个模型、4类运行框架的20多个代理中，最佳代理通过率仅16%。
中文摘要由 AI 根据公开来源生成，可能存在理解偏差；具体能力、数字、开放时间等信息请以原文为准。
采集于 2026/10/27 08:00:28（北京时间）。 arXiv 日期为本次公告时间，论文初次投稿日期请查看原文版本记录。