arXiv 2026年10月14日客服智能体评测不再只看模型：GPT-5.4五评委全胜，评委之间只有中等一致企业客服技能执行有了500个真实工单场景的零样本评测，17个模型由五个评委独立打分，GPT-5.4在每个评委下都排第一，而评委之间的通过判定只有中等一致。企业客服技能执行有了500个真实工单场景的零样本评测，17个模型由五个评委独立打分，GPT-5.4在每个评委下都排第一，而评委之间的通过判定只有中等一致。Md Tahmid Rahman Laskar（第一作者）#技能执行#智能体评估#大模型作为评判者#评判者间一致性