kw-bench 基准：测试智能体框架处理真实审计任务
原文标题：kw-bench: Breaking Frontier Harnesses on Real-World Tasks
重要度 3/5 · AI 综合评估报道影响力与新鲜度，4–5 分为高价值资讯。
论文发布 kw-bench，首个任务族为跨三代 SAP 系统的五年增值税重建，输入为无文档的原始系统导出数据，评分完全确定性、不用 LLM 裁判。测试中模型无关的 OpenCode 与 micro-cc 得分约 0.53，而 Claude Code 与 Codex 在非原生模型上得分为 0；在 Claude Opus 5.5 上前沿模型可将任务压缩到 20 余分钟完成。
- 问题
- 现有基准多为生成式任务，缺少对审计、税务这类需要从残缺证据中复原精确答案的调查型任务的测试。
- 方法
- 构建 kw-bench，首个任务族为跨三代 SAP 系统的五年增值税重建，输入为无文档原始导出数据，评分完全确定性、不用 LLM 裁判。
- 结果
- OpenCode 与 micro-cc 得分约 0.53，Claude Code 与 Codex 在非原生模型上得分为 0；Claude Opus 5.5 上前沿模型可将任务压缩到 20 余分钟。
- 影响
- 给智能体框架选型提供了贴近真实知识工作的硬指标，说明框架与模型的匹配度比模型本身更决定成败。
深读 · 结论先行AI 生成展开看要点与影响 ↓
kw-bench 用确定性评分考审计任务，模型无关框架得约 0.53，Claude Code 与 Codex 在非原生模型上得 0
- •首个任务族为跨三代 SAP 系统的五年增值税重建，输入是无文档的原始系统导出数据
- •评分完全确定性，不使用 LLM 裁判
- •同一模型 DeepSeek v4.1 Flash 上跑两小时，OpenCode 与 micro-cc 得分约 0.53
- •Claude Code 与 Codex 在非原生模型上得分为 0
- •在 Claude Opus 5.5 上，前沿模型可将任务压缩到 20 余分钟完成
为什么重要：说明 harness 与模型的绑定关系会显著影响真实知识工作表现，选型时框架兼容性与模型能力同等重要。
以上深读由 AI 依据标题/摘要/正文节选生成，仅供参考；事实以原文为准。
AI 处理过程展开/收起
相关推荐
OpenAI 宣布数学、计算机科学、物理学三项新发现
AI 摘要OpenAI 宣布在调和分析、复杂性理论和量子场论三个方向取得新发现，并采用与学术界合作的新方法。公司邀请外部专家组织团队理解研究结果，参与者无需签署保密协议、可自由讨论并发表结论，且为自愿无报酬。OpenAI 表示不会为内部模型产生的发现寻求学术署名。
数学家称需数年消化 OpenAI 最新数学成果
AI 摘要OpenAI 本周突然发布近 400 项 AI 生成的数学成果，分布在 700 多份手稿中，覆盖组合数学、几何、数论等多个领域。多位数学家表示「震惊」「难以置信」，认为仅理解这些成果就需数年，且验证程度参差不齐。
OpenAI 公布数学难题突破成果
AI 摘要OpenAI 发布由未公开前沿模型生成的 722 篇数学手稿，覆盖 372 个成果族，声称解决了数百个长期未解问题，并公开 Lean 形式化证明与算力估算。此举延续了 AI 冲击数学界的势头，也引发研究伦理与学术规范的争议。独立顾问组织 AGMAI 呼吁实验室通过正规学术渠道发布成果，而非将其当作营销工具。
OpenAI 再抛数学突破成果引争议
AI 摘要OpenAI 公布 722 篇手稿，称未发布的前沿模型解决了数百个数学开放问题，平均每个结果消耗约三小时 ChatGPT Pro 级算力。成果虽令人震撼，但数学界对发布方式、研究伦理与学术规范提出质疑。AGMAI 建议实验室及时通过正规渠道披露模型、提示词与算力成本，避免把成果当作营销手段。