提出了OneMillion-Bench($1M-Bench),一个包含400个专家设计、覆盖法律、金融、工业、医疗和自然科学五大领域的高价值任务基准,用于评估语言代理在真实专业场景中的多步推理、权威信息检索、冲突证据处理与约束决策能力,并采用基于评分细则的多维评估协议(事实准确性、逻辑一致性、实践可行性、专业合规…
机构:BIGAI
来源:arXiv 2603.07980 | AI4Papers 论文推荐平台