Surge AI 发布 DAYJOB 基准：最强模型仅完成约四分之一真实职场任务

Surge AI 发布面向知识工作 agent 的新基准套件 DAYJOB，首发 Healthcare 与 Finance 两个子集，共 130 项专家级任务。该基准强调真实职场任务，与 OpenAI 的 GDPv 系列形成差异化。评测结果显示，即使是当前最强的模型也只能完成约 24%-25% 的真实专业工作任务，暴露出现有 agent 在专业知识工作上的巨大差距。

2026-09-24 ~ 2026-09-24 · 2 条相关