Bank-World：评估 AI 智能体银行工作流的基准

Bank-World 是一个包含 50 项银行任务、覆盖两家模拟机构的智能体评测基准，通过单轮任务和多轮与模拟员工交互来测试记录核对、权限获取、交易执行等能力。在四个模型共 1,600 次尝试中，正确决策常未能变成完成的工作，例如重复收费、金额分配错误、审批未完成就执行付款。Sol 单轮完成率领先，Opus 多轮完成率最高，任务环境、可执行评分器和完整轨迹将私密保留以防污染。