arXiv新论文发布FDE-Gym基准，模拟“驻场工程师”式的客户交付：95个端到端任务来自18个行业的20个真实交付场景，智能体需与脚本化的客户干系人沟通、发现未言明的约束，并按客户自身业务指标改进打分（0为不改动，1为参考方案）。论文评测了7家厂商的13种模型配置，在最接近现实的设置下，最佳配置Claude Opus 5.5平均得分0.56，完整解决95个任务中的14个，另有5种配置一个都没解决。论文指出，发现未言明的约束是主要瓶颈。
信源:https://arxiv.org/abs/2610.22350
https://fde-gym.com/paper/