新基准评测 LLM 客服智能体：GPT-5.4 领先，Qwen3.5-9B 最强开源
原文标题：Evaluating LLMs as Agentic Workflow Executors in Real-World Customer Support Skills
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。
论文构建基于真实客服对话的技能型 LLM 工作流基准，用 MCP 兼容模拟环境生成多轮工具调用对话，对 17 个模型做零样本评测。结果显示 GPT-5.4 大幅领先，Qwen3.5-9B 是 200 亿参数以下最强开源模型；同时指出评审模型选择对结论影响显著，10 组评审两两一致率 Kappa 平均仅 0.524。
- 问题
- 缺乏评测 LLM 客服智能体技能型工具工作流的基准。
- 方法
- 从真实对话挖掘工作流，转成技能描述并用 MCP 兼容模拟环境生成多轮工具调用对话，零样本评测 17 个模型。
- 结果
- GPT-5.4 大幅领先，Qwen3.5-9B 为 200 亿参数以下最强开源；10 组评审两两一致率 Kappa 平均仅 0.524。
- 影响
- 为企业客服智能体选型提供基准，同时警示评审模型选择会显著影响结论，不能只看单一评审。
深读 · 结论先行AI 生成展开看要点与影响 ↓
客服智能体基准评测17个模型：GPT-5.4大幅领先，Qwen3.5-9B为200亿参数以下最强开源。
- •基于真实客服对话挖掘工作流，用MCP兼容模拟环境生成多轮工具调用对话
- •17个模型零样本评测，覆盖闭源家族与1.7B至14B开源权重模型
- •每个模型由5个强LLM评审独立打分，另设规则评估器检查工具覆盖与幻觉调用
- •GPT-5.4领先幅度大；Qwen3.5-9B在所有评审下均优于多个闭源基线
- •10组评审两两一致率平均Kappa仅0.524，评审模型选择显著影响结论
为什么重要：企业选型客服Agent时，该基准提示开源小模型已具竞争力，同时提醒LLM-as-judge的评审一致性本身是方法论风险。
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。