WorkArena Elo
由人工评审直接打分、以Elo方式呈现的AI模型办公任务处理能力排名分数
简单来说
WorkArena Elo是一种排名分数,用来衡量AI模型完成公司办公任务的能力,这个分数由人工评审员直接观察结果后打分而来。就像国际象棋选手的实力可以用一个Elo等级分来体现一样,这个分数是让多个AI模型在29个行业中完成145项真实业务任务,再由人工评审比较结果后给出的评分。
分数越高,代表办公协作能力越强。与其他专门测试编程能力的评测不同,WorkArena Elo关注的是模型处理跨越数天的长期任务——比如撰写新闻稿、协调日程、整理资料——是否顺畅,而不是一次性完成的单日任务。
在报道中是这样出现的
文章中会这样使用:"在专家评审协作指数(WorkArena Elo)中,Qwen3.8-Max-0902获得1468分,超过Claude Opus 5(1437分),但不及GPT5.6 Sol(1482分)。"这里容易被误解的一点是,这个分数并不代表编程能力。同一篇文章中,编程基准测试(如Terminal-Bench)和WorkArena Elo被列为完全不同的类别,一个模型可能编程能力落后,但在办公协作方面却领先。