（来源：上观新闻）
这个基准出了👩❤️👩🔤名地难🛍🏟——此前最🇨🇻🏳好的AI系统🇺🇳只能完成约21🔯🎉%的评分♻要求，而顶尖的👏🗓机器学习⏰😙博士生在48小🍔🇹🇰时内能🇹🇰🈯完成约41%😒。第一个测🇫🇯🥙试场景叫τ🍹🛥?-Ben⛔SAP是什么ch，模拟的👨👧是真实的🔖客户服务工作流程🚵♀️，分为航空💶🥜公司客服和零售客🥝服两个子👨👨👧📊领域，合🇲🇳计164🇧🇮个任务🎖🇹🇱。
如此规模的区🇵🇦🇨🇻域级配🇵🇱对失真🎷↔数据集，在学🎐SAP是什么术界尚属首次👏🧳。--- 二、让A🥠I完成科研的🇨🇰☁四道关卡：为什✂🦴么这件事比🌭看起来难得多✒🖇？ 要理解🅱AI科学家的🇲🇱设计思路，💁SAP是什么首先得明白✝🎡这项任务🍑到底难在哪里🇹🇦🔊。
知识类和最🗓🔧前沿的推🇪🇬理任务仍有3-🥚6个月的🐀gap🇲🇼🅾。在20个不🕌🌸同的论文复现任务🅾🏘中，几乎每一💝个任务上AI科♦学家都有明显提升📗⭕，其中最显著的一🇨🇿个任务（pi😝🆒nn）在GLM💃🇹🇩-5下提升了32🤯🏟.99分⚰🕔。因为这些事🇹🇳情光靠屏幕是解🕴9️⃣决不了的——🥞 它们需要有人真🚏🧑的在场，能看📩🇳🇷见你、听见你、陪🇨🇽着你，并对你🌑🥩做出反应👨🍳📫。我们观察到一些模🕐🚅型做出🤹♂️🎚了次优的🚎🗞设计选择，最终需📺🕐要消耗大🚮📰量令牌才能进🇻🇨行优化🦝🧂。
