Bank-World：银行工作流智能体评测基准

Bank-World 显示智能体决策正确也常无法完成银行工作。

资讯摘要

论文提出 Bank-World 基准，包含两家模拟机构中的 50 项银行任务，通过单轮任务和多轮交互考察智能体对账、获取授权、执行交易及保持指令与状态一致的能力。评分结合对记录动作与状态的可执行检查，以及模型对任务要求的判断。作者报告四个模型共 1600 次尝试中，正确决策常未能转化为完成的工作，出现重复收费、金额分配错误、审批未完成即付款等问题；Sol 单轮完成领先，Opus 多轮完成率最高，Grok 多轮成功任务更多但稳定性较低。

要点速读

1. 基准含 50 项银行任务，覆盖两家模拟机构，设单轮任务与多轮人机交互。
2. 评分结合可执行检查与模型判断，并考察合法替代方案是否满足要求。
3. 作者报告 1600 次尝试中，智能体出现重复收费、金额分配错误、审批未完成即付款等问题。

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 2026/10/31 08:00:18（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。