FDE-Gym：评估 AI 前向部署交付能力的基准

论文推出 FDE-Gym 基准，包含来自 20 个客户场景、18 个行业的 95 个端到端交付任务，由行业专家从真实交付项目改编。评估 7 家厂商的 13 种模型配置，最佳配置在需自行发现隐性约束的现实设定下平均得分 0.56，仅解决 14 个任务；即使模型从利益相关者获取全部关键信息的 23 个任务中，也只有 10 个达到 0.8 以上的业务提升。