arXiv cs.AI· Zhou Liu, Xingyan Chen, ZhaoYang Han, Zewei Pan, Zeli Su, Ningxin Pan, Xue Hu, Kaixiong Ting, Wentao Zhang·· 3 天前AI 评分31
EvoCowork：面向真实办公任务的 240 项基准测试
EvoCowork: A Benchmark for Real-World Office Tasks
AI 导读
EvoCowork 是一个包含 240 项任务的基准，用于在模型权重固定的条件下评估 harness 层面的递归自我改进，覆盖演示文稿、文档、表格和跨办公工作流四种模态。
正文 · AI 翻译
摘要：办公工作流是自我改进智能体的严苛试验场，因为其交付成果必须正确、可原生编辑且相互一致。一个核心问题是，反馈任务上的收益是否反映了可复用的流程，而非针对特定任务的修补。我们提出 EvoCowork，一个包含 240 个任务的基准，用于在模型权重固定的情况下评估四种办公模态上的 harness 级递归自我改进。该基准涵盖演示文稿、文档、电子表格和跨办公工作流，并对提交的成果从内容、原生结构、公式、跨文件一致性以及必要时的视觉质量进行评分。其协议将反馈、修订选择和最终测试分离：方法从单模态任务中学习，然后在共享初始 harness 和明确预算下，在未见过的单模态任务和跨办公工作流上进行评估。在对两个模型和四种 harness 的静态评估中，最佳配置总体得分为 42.25，跨办公任务得分为 30.62。从相同的 MSA harness 和 GLM 5.3 出发，ACE 和 AHE 分别将域内得分提高了 4.90 和 2.64 分，但跨办公得分仅变化 +0.03 和 -1.72。因此，在提供反馈的文件类型上取得的收益不一定能迁移到协同工作流。EvoCowork 明确了这一区分，同时记录了 harness 演进的能力、迁移和成本。代码和任务包：此 https URL。
| 评论： | 32 页 |
| 主题： | 人工智能（cs.AI） |
| 引用为： | arXiv:2610.14828 [cs.AI] |
| （或 arXiv:2610.14828v1 [cs.AI] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.14828 arXiv 颁发的 DOI 通过 DataCite（待注册） |
提交历史
来自：Zhou Liu [查看电子邮件]
[v1]
2026年10月10日星期六 11:43:07 UTC（4,643 KB）
来源：arXiv cs.AI · arxiv.org