真实办公场景的
跨行业 Agent 评测数据
每道任务都取自真实办公场景里正在进行的工作, 横跨工业与智能制造、软件与研发工具、专业内容运营、量化金融四个行业方向。难度不来自人为构造, 而来自这些工作本身的复杂性; 每道任务都配有可执行的验证资产与逐条判据。
真实办公场景跨行业覆盖双重验证全程可溯源
8任务 / 样本集
4行业方向
15.9平均每任务验收判据
21平均每任务工作区文件
约 13%候选任务达到发布条件
§ 1
数据的四个特点
每一条都对应一道可核查的质量机制, 而非口号。
01
真实办公场景, 跨行业
任务取自不同行业的日常办公与项目现场 —— 工业与智能制造、软件与研发工具、专业内容运营、量化金融; 非合成、非改编谜题, 任务的难度与信息缺口如实保留, 贴近真实生产中的判断与取舍。
02
双重验证
行为类任务在判卷方世界模型下可执行判分; 产物类任务采用专家级逐条判据与双模型评审。参考解必须满分、零操作必须零分、劣化解必须低于及格线。
03
阈值独立校准
数值类判据的阈值以独立第二实现与近失消融标定 —— 把「差一点」的解与真正的解分开, 不依赖单一参考。
04
全程可溯源
每道任务附完整元数据(来源、验证方式、质检记录、污染标记)与逐文件哈希, 每个质量声称都可核查。
获取完整样本进行评估样本集附完整验证资产与评分协议, 可在本机或容器内复现全部判分
申请样本