来自 meng shao（@shao__meng）的推文线程

[開源推薦] Task Arena: @joindimension 團隊發起的一個開源基準測試項目，目的是評估智能體在真實世界任務中的實際表現。 專案核心目標傳統AI 模型評估基準（如MMLU、HumanEval）多聚焦於知識問答或簡單程式碼生成，而Task Arena 更關注使用者日常最常讓智能體完成的「真實工作」： · 執行類別任務（Action Dataset）：讓智能體實際操作工具、完成多步驟流程，例如發送電子郵件、安排行程、管理文件、建立文件、進行研究等。 · 檢索類別任務（Retrieval Dataset）：從給定知識庫中準確檢索並合成訊息，例如回答產品規格、最佳實踐、版本變更等複雜問題。 目前內容與規模倉庫主要包含兩個JSON 資料集（共約100 個任務）： · action.json：51 個執行類別提示，涵蓋6 大類別（郵件、日曆、文件、研究、文件、多步驟工作流程）。 · retrieval.json：52 個檢索類問答對，附帶預期答案和評估標準。 每個任務都給了： · 明確的成功標準（Success Criteria） · 手動評分指引（目前仍需人工判斷是否完全成功） 倉庫還提供Python 和TypeScript 的簡單載入範例，以及一個評分計算腳本。 為什麼說它「很重要」？ 在2025 年底的Agent 評測領域，大家越來越意識到：單純的「知識/推理」分數高，不代表智能體在真實工作中好用。 Task Arena 代表了一類新興的「實用導向」基準（類似GAIA、WebArena、AgentBench），但它更輕、更聚焦於辦公室/生產力場景，且完全由社區驅動。 開源位址：