EvoCowork：评测智能体办公任务自我改进的240项基准发布

Zhou Liu 等在 arXiv 发布 EvoCowork，一个含 240 项任务的办公基准，用于评测 harness 级递归自我改进，模型权重保持固定，检验能力提升能否迁移。 基准覆盖演示文稿、文档、电子表格及跨办公流程四类模态，对提交产物按内容、原生结构、公式、跨文件一致性和必要的视觉质量打分。作者称办公流程对自我改进智能体是苛刻的测试场，因为交付物必须正确、可原生编辑且相互一致。 在两个模型、四个 harness 的静态评测中，最佳配置总体得分 42.25，跨办公任务得分 30.62；作者发现获得反馈的文件类型上的提升不一定迁移到协调性工作流。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。