professional-domains

SaaS-Bench是一个新的基准测试，基于23个可部署的SaaS系统，覆盖六个专业领域，包含106个长周期任务，用于评估计算机使用代理。实验表明，即使是最强的模型，端到端完成任务的比例也不足4%，凸显了当前代理能力的显著限制。