Benchmark Radar 第 86 天：客服智能体还要检查操作过程
Published:
Benchmark Radar 第 86 天。客服智能体还要检查操作过程。本轮抓取 1,430 条，发布 755 条，其中 389 条标为推荐。
Benchmark Radar 已上线。 打开仪表盘、在 GitHub 上 Star，或阅读论文。数据见 Hugging Face 数据集。
CXBench 在六个受监管领域，同时评估使用工具的客服智能体的结果和操作过程。规则卡把义务与可观察的轨迹证据对应起来，涵盖告知、同意和必要步骤。只达到预期业务状态，无法拿到满分。 CXBench: A Benchmark for Process-Compliant LLM Agents in Regulated Customer-Experience Workflows。
VibeTraining-Bench 评估科研智能体能否在固定资源预算下改进完整智能体系统。智能体根据验证反馈，修改训练数据、训练器和推理框架，再选择最终系统。怎样在相互影响的组件之间分配资源，也成为测试的一部分。 VibeTraining-Bench: Data-Trainer-Harness Co-Design for Iterative System Improvement。
为什么要在意
实际工作受哪些约束，评估就应保留哪些约束。最终结果可能掩盖被跳过的义务，也可能掩盖资源消耗过大的改进。
扫描范围
这是按关键词筛选的发现信息流，不能代表全部 AI 研究。归档简报使用了所收录 755 条证据中的 177 条。本文概述其中引用的发布成果；扫描发现日期不一定是成果的最初发布日期。
数据与简报：2026-10-20 归档快照。