erp-systems

ERPBench 引入了一个基准，用于评估仅基于截图的计算机使用代理在实时 ERP 系统上的表现，表明强大的通用 GUI 性能无法转移到企业可靠性，并包含一个具有人工批准的生产工具，以实现安全部署。

Anchor是一个任务生成流水线，通过从单一的约束优化规范中联合生成指令、环境、解决方案和验证器，解决了AI智能体基准中的工件漂移问题，为企业工作流提供一致且可审计的评估任务。论文介绍了ERP-Bench——一个包含生产级ERP系统中300个长时任务的基准，结果显示前沿模型在26.1%的试验中满足显式约束，但仅17.4%的试验达到最优解。