研究与基准测试/2026-10-16/14 分钟BizBench：长程商业智能体的参考文献与附录承接正文，按原文顺序收录四十一条参考文献，以及附录 A 至 D：客户与智能体提示、模拟器协议、两条执行轨迹，以及任务、文档和工具使用统计。
研究与基准测试/2026-10-16/18 分钟BizBench：长程商业智能体的隐藏挑战50 项任务、789 份文档，用目标、过程和保护三条确定性条件检查长程商业智能体。GPT-6 Sol 严格成功率 61.3%，三次运行全部成功仅 40.0%。四次 DeepSeek-V4.1-Flash 期末储备达标，中途却跌破。Qwen3.5-9B 的 150 次运行无一完成全部目标。
