MMEnterprise-Bench: Evaluating Enterprise Agents over Evolving Multimodal Records

Hugging Face 发布 MMEnterprise-Bench，用于评估企业智能体在动态多模态工作记录上的表现，包含 1,613 道题目，覆盖证据推理、冲突解决和不可回答性三类任务。该基准测试了 10 个专有和开源多模态大语言模型，发现即使最强模型在跨源或时间冲突信息、多图像场景下也表现不佳。增加检索预算或使用更大检索器虽能提升信息召回率，但未必提高答案准确性。