arXiv cs.SE· George Juraj Salapa·· 3 小时前AI 评分58
kw-bench：用真实增值税重建任务评测编码智能体框架
kw-bench: Breaking Frontier Harnesses on Real-World Tasks
AI 导读
论文提出 kw-bench 基准，首个任务族是从三代 SAP 原始系统导出数据中重建五年增值税，评分完全确定性、不用 LLM 裁判。
来源：arXiv cs.SE · arxiv.org
kw-bench：用真实增值税重建任务评测编码智能体框架