PersonaCUABench 发布：计算机使用智能体服务不同用户画像的基准测试

PersonaCUABench 是一个固定 74 个任务、11 个领域、只改变提问者身份的基准，用 44 个用户画像改写指令并回答智能体的提问。在九个基座模型共 3330 次运行中，平均任务完成率相对原始指令下降 36%；即使任务完全完成，用户给出最高满意度的比例也只有 62.7%，而原始指令为 84.1%。