阿里国际 Accio 团队做的这套智能体测评叫 RealReplicaBench，测的就是智能体办完一整套业务流程的体力。
107 个任务里 53 个走 CLI、28 个靠浏览器、16 个处理文件、10 个接 API/MCP，再按需求切成纯文本、浏览器能读文本、必须看得懂图三档。
每个任务开一个干净容器跑，收尾统一用确定性脚本加 LLM 裁判给分。
https://github.com/Accio-Lab/RealReplicaBench

互联网充电｜优质资源
优质内容｜内幕消息
 
 
Back to Top