Argo-Bench 用 235 张表、75 亿行的模拟外卖仓库考核数据智能体，最强模型仅解出 34.8% 任务
研究者构建了 Argo-Bench：把 2024 年纽约市外卖平台模拟成一个 235 张表、74.9 亿行、按 Oracle E-Business Suite 模式导出的企业仓库，并让智能体通过提交封禁账号、分配激励预算、提交预测等“行动”接受评分，评分依据模拟器的隐藏真实状态；14 个前沿与开源模型中最强的 Claude Opus 5.5 仅解出 34.8% 的任务、平均 59.5 分。