Benchmark Radar 第六十六天：谁来扮演用户？
Published:
Benchmark Radar 的第六十六天。每日扫描发布 656 条记录，推荐 186 条，领头的是 UserProxyBench：它检验扮演用户的语言模型是否遵守它的私有指令。记分牌：268 颗星，43 个 fork。
Benchmark Radar 已上线。 每天追踪新的 AI 基准测试、数据集与排行榜：打开仪表盘 或 在 GitHub 上 Star。阅读论文：arXiv:2609.11115。查询数据：Hugging Face 数据集。
本轮抓取 1,661 条，保留 656 条，推荐 186 条。
UserProxyBench 检验交互式智能体基准里一个隐藏的依赖：扮演用户的语言模型是否遵守自己的私有指令。它加入了用户保真度得分，固定被评估的智能体，只在 375 个企业任务上改变模拟用户。
EnterpriseBench 把企业评估从静态问答推进到交互式决策，涉及信息缺失、不确定性、反馈和长期取舍。它还把已有的企业和金融问答数据集重组成一个统一的基础套件。
CTE-Bench 评估编程模型能否预测：改动代码或存储状态之后，一个运行中的服务在几次调用之后会怎样变化。它不要求模型动手修改，而是询问干预之后的未来行为，从而把状态追踪能力和动作选择分开。
为什么要在意
当由一个模型来扮演用户时，模拟用户的好坏会拉低或抬高被测智能体的分数。UserProxyBench 直接度量这种影响。
解决的问题
- 每日快照：抓取 1,661，发布 656，推荐 186
- 记分牌：268 / 1000 星，43 个 fork
第六十七天：扫描继续，星数来到 268。
想跟进 Benchmark Radar？在 GitHub 上 Star 仓库 获取每日更新，或 打开实时仪表盘 浏览扫描结果。阅读论文：arXiv:2609.11115。