研究与基准测试/2026-10-28/28 分钟CRM-Agent-Bench 附录：契约、排行榜与轨迹证据附录给出 555 任务的契约清单、十六个系统的全套件排名和三轮可靠性。Gemini 3.8 Flash 三轮均值 85.53%，Claude Opus 5 为 83.29%。表 6 里有定价运行的成本从 2.14 美元到 191.00 美元。
研究与基准测试/2026-10-28/22 分钟CRM-Agent-Bench：在有状态企业环境中评测使用工具的智能体Banerjee、Lan 与 Cao 用 555 个有状态多轮任务评测十六个系统。严格成功从 64.32% 到 83.60%，前八名只差 2.88 个百分点。只看回复会高估 10.5–11.0 个百分点；受策略约束的 165 个任务里，负面检查通过 91.2%，完整契约只有 66.8%。
