arxiv · arXiv · 2026-10-01 16:39 · 评分 82
发布DAYJOB基准，含医疗50项、金融80项专业长周期任务，预计专业人员平均耗时13.6和16.6小时。每项任务提供容器化Harbor环境及专家二值评分标准，用于评估智能体完成真实专业工作的能力。
原文：arXiv ｜ 返回 AI 资讯列表