WorkWorlds: An Infrastructure for Evaluating AI Agents on Workplace Tasks

WorkWorlds 先固定组织版本、日期和员工席位，再把任务放进角色可见的完整环境，避免任务编写者顺手泄露检索路径。192 次评估中，证据获取率从任务精选上下文的 90.4% 降到 74.5%，标准通过率从 79.4% 降到 68.2%；主要损失发生在找到证据之前，说明 workplace agent 的瓶颈首先是定位信息。