走出MMLU的高分幻觉：AI Agent的「斯坦利时刻」与职场生存法则

背景：当前AI Agent在MMLU等基准测试中得分很高，但在真实业务环境中表现不佳，存在“执行鸿沟”。研究目的：为了评估AI Agent在动态、非结构化职场环境中的实际能力，研究团队开发了Trainee-Bench基准测试，模拟新员工入职场景，考察Agent的探索、调度和学习能力。结论：测试显示，即使顶尖模型在Trainee-Bench上成功率很低（最高35%），多任务调度和持续学习能力薄弱，表明AI Agent离独立上岗还有距离；但人类少量指导能大幅提升性能，提示未来应注重增强Agent的自主学习和环境适应能力。