arXiv论文发布FDE-Gym：真实交付场景下的前沿智能体评测基准

FDE-Gym: The Last Mile of AI Delivery 研究人员推出包含95个任务、覆盖20个客户场景的端到端AI交付基准FDE-Gym，模拟前线部署工程师（FDE）在真实系统中面对模糊需求完成交付的交互。测试显示，发掘未言明的约束是当前智能体的最大瓶颈，表现最好的配置平均得分仅0.56，只解决95个任务中的14个。