Agents' Last Exam

Agents’ Last Exam 试图把 agent 评测从短任务和玩具环境推向真实专业工作流。它由 250 多名行业专家协作构建，按 O*NET/SOC 2018 覆盖 13 个 industry clusters、55 个 subfields 和 1,000 多个任务；当前主流 harness 与 backbone 在最难 tier 的平均 full pass rate 只有 2.6%。这条的看点是“GDP-relevant impact”被转化成可验证结果，而不是只用聊天质量或单步工具调用打分。