DuMateBench 论文：Agent 框架差异可使同一模型表现相差 27.27 个百分点

论文《DuMateBench： Evaluating Autonomous Agents in Complex Real-World Workflows》提出基于 200 个真实用户会话重建任务的基准，涵盖编码、网络调研、文档处理和内容创作，并加入缺失依赖、不稳定网络和干扰文件等环境复杂度。