OmegaUse-OfficeVal：以经济成本衡量长程办公套件代理

OmegaUse-OfficeVal提出一个面向长程办公套件任务的代理评测基准，包含100项来自实践者请求、经隐私保护改编的任务。每项任务同时记录人类劳动时间和价格代理，并配套基于细粒度评分标准的代码验证器。摘要称，受测前沿模型虽比人工更快、更便宜，但交付质量尚未达到人类水平；代码与数据已开源。