迈向多语言 Agent 基准测试的新时代

现有大模型基准测试大多采用英语，难以覆盖全球约 80% 不使用英语的人群，评测可能陷入“真空”。业界需要更多协作式多语言 Agent 基准测试，以 3–4 人设计并验证每项任务，覆盖创意写作、商业邮件、复杂编程、UI 创造力与 UX，并纳入内容去重、上下文压缩及法律问题等任务。