EmailBench：企业邮件智能体评测基准
原文标题：EmailBench: A Benchmark for Evaluating LLM Agents on Enterprise Email and Productivity 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。
作者推出 EmailBench，包含 16 类任务、206 个邮件与生产力场景，结合类型化邮件 API、确定性合成语料与静态断言加 LLM 评分混合协议。评测八种模型配置，最佳配置仅通过 33.5% 场景，尽管其工具调用 99.7% 无 API 报错，说明工具执行成功不等于任务完成。
- 问题
- 企业邮件智能体需要检索、状态变更、时间推理与多步协调，缺少自包含的端到端评测。
- 方法
- 构建类型化邮件 API、确定性合成语料与静态断言加 LLM 评分的混合协议，覆盖 16 类任务。
- 结果
- 206 个场景、八种模型配置，最佳配置仅通过 33.5%，但工具调用 99.7% 无 API 报错。
- 影响
- 揭示工具调用成功不等于任务完成，为邮件类智能体产品提供更贴近真实工作流的验收标准。
深读 · 结论先行AI 生成展开看要点与影响 ↓
EmailBench 评测八种模型配置，最佳仅通过 33.5% 场景，而工具调用 99.7% 无 API 报错
- •基准含 206 个邮件与生产力场景、16 类任务，配套类型化邮件 API 规范与确定性合成 Enron 风格语料
- •评测协议混合 258 条可执行静态断言与 211 条 LLM 评分标准
- •最佳配置通过率仅 33.5%，且通过率在不同任务类别间差异显著
- •工具调用 99.7% 未观察到 API 失败，说明执行成功不等于任务完成
为什么重要：给企业邮件智能体的能力评估提供了自包含环境，并直接指出「工具调用成功率」是误导性指标。
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。