Lo esencial antes de invertir más tiempo.
Evalúa si un agente sabe elegir entre documentos, tablas, grafos de dependencias o combinaciones de esas fuentes. Incluye 1.151 tareas atómicas y 27.624 trayectorias sobre seis configuraciones de agente.
Its data pipeline is hybrid: task scenarios and dependency graphs are human-authored and expert-validated against Lark/ByteDance workflows, while workspace files combine public web resources with grounded LLM-generated artifacts.
Resultado reportado con fuente enlazada · 5 localizadores disponibles.La lectura primaria permite comprobar método y resultados en el HTML, pero no convierte sus conclusiones en validación independiente. La ficha no demuestra transferencia fuera de los datasets, modelos, herramientas y condiciones descritos en 3 Benchmark Construction.
Comparar la métrica principal de la fuente junto con calidad, coste, latencia y tasa de errores.
Evalúa si un agente sabe elegir entre documentos, tablas, grafos de dependencias o combinaciones de esas fuentes. Incluye 1.151 tareas atómicas y 27.624 trayectorias sobre seis configuraciones de agente.
Qué está reportado y qué conviene comprobar.
Its data pipeline is hybrid: task scenarios and dependency graphs are human-authored and expert-validated against Lark/ByteDance workflows, while workspace files combine public web resources with grounded LLM-generated artifacts.
contexto: 3 Benchmark Construction
Qué estudiaron y qué cambia.
La síntesis está separada de los resultados reportados y de las inferencias.PROBLEMA / La señal entra en el radar porque Los benchmarks suelen medir recuperación una vez elegida la fuente correcta, pero en empresa el primer reto es decidir dónde debe buscarse cada respuesta. Por qué puede ser importante: Acerca la evaluación a Google Workspace, Microsoft 365, Drive, CRM, ERP y entornos donde la información se reparte entre formatos muy distintos. Las respuestas son auditables mediante SQL ejecutado, spans documentales y rutas de grafo verificadas.
MÉTODO / La lectura de 4 Scoring Protocol describe la intervención y su construcción: For each task i , the evaluator consumes the final answer and tool trace and returns four scores in [0,1] . Table 4 reports macro-averages over all 1,151 tasks. The decomposition separates surface selection, evidence retrieval, answer correctness, and inference cost. Let G_{i}\subseteq\{\textsc{rag},\textsc{table},\textsc{graph}\} be the gold surfaces and C_{i} the surfaces actually used in the trace. We compute P_{i}=|C_{i}\cap G_{i}|/|C_{i}| , R_{i}=|C_{i}\cap G_{i}|/|G_{i}| , and their harmonic mean F^{\mathrm{route}}_{i} . Empty predictions receive zero when a surface is required. Table 4 reports Route-P,… [Fuente: https://arxiv.org/html/2607.25765#S4]
RESULTADO / La sección 3 Benchmark Construction informa: Its data pipeline is hybrid: task scenarios and dependency graphs are human-authored and expert-validated against Lark/ByteDance workflows, while workspace files combine public web resources with grounded LLM-generated artifacts. [Fuente: https://arxiv.org/html/2607.25765#S3]
LÍMITE / El cierre de la fuente señala: WorkSurface-Bench separates routing from answering on 1,151 auditable tasks over documents, tables, and dependency graphs. Across four backbones and six settings, routing and Answer are only moderately associated ( \rho=0.62 ). Gold-constrained agents reach 98.7–99.8 Route F1, yet Answer remains 56.1–75.3. The matched S6 condition shows why the distinction matters: surface hints can improve answers, while removing irrelevant tools more reliably improves… La transferencia a copilotos empresariales requiere repetir la comparación con datos y criterios propios [Fuente: https://arxiv.org/html/2607.25765#S6].
La lectura primaria permite comprobar método y resultados en el HTML, pero no convierte sus conclusiones en validación independiente. La ficha no demuestra transferencia fuera de los datasets, modelos, herramientas y condiciones descritos en 3 Benchmark Construction.
- PROBLEMA
- Los benchmarks suelen medir recuperación una vez elegida la fuente correcta, pero en empresa el primer reto es decidir dónde debe buscarse cada respuesta. Por qué puede ser importante: Acerca la evaluación a Google Workspace, Microsoft 365, Drive, CRM, ERP y entornos donde la información se reparte entre formatos muy distintos. Las respuestas son auditables mediante SQL ejecutado, spans documentales y rutas de grafo verificadas.
- MÉTODO
- La lectura de 4 Scoring Protocol describe la intervención y su construcción: For each task i , the evaluator consumes the final answer and tool trace and returns four scores in [0,1] . Table 4 reports macro-averages over all 1,151 tasks. The decomposition separates surface selection, evidence retrieval, answer correctness, and inference cost. Let G_{i}\subseteq\{\textsc{rag},\textsc{table},\textsc{graph}\} be the gold surfaces and C_{i} the surfaces actually used in the trace. We compute P_{i}=|C_{i}\cap G_{i}|/|C_{i}| , R_{i}=|C_{i}\cap G_{i}|/|G_{i}| , and their harmonic mean F^{\mathrm{route}}_{i} . Empty predictions receive zero when a surface is required. Table 4 reports Route-P,…
- TIPO DE EVIDENCIA
- La sección 3 Benchmark Construction informa 1 hallazgo(s) extraído(s) desde la fuente. El resultado principal se conserva con el localizador de sección https://arxiv.org/html/2607.25765#S3.
- LÍMITE
- La lectura primaria permite comprobar método y resultados en el HTML, pero no convierte sus conclusiones en validación independiente. La ficha no demuestra transferencia fuera de los datasets, modelos, herramientas y condiciones descritos en 3 Benchmark Construction.
La lectura también deja rastro.
Guarda una observación junto a la evidencia. Tú escribes aquí; los agentes pueden añadir notas por MCP y aparecerán identificados.
LECTURA AMPLIADAMetodología, implicaciones y preguntas para volver al paper.+
La lectura de 4 Scoring Protocol describe la intervención y su construcción: For each task i , the evaluator consumes the final answer and tool trace and returns four scores in [0,1] . Table 4 reports macro-averages over all 1,151 tasks. The decomposition separates surface selection, evidence retrieval, answer correctness, and inference cost. Let G_{i}\subseteq\{\textsc{rag},\textsc{table},\textsc{graph}\} be the gold surfaces and C_{i} the surfaces actually used in the trace. We compute P_{i}=|C_{i}\cap G_{i}|/|C_{i}| , R_{i}=|C_{i}\cap G_{i}|/|G_{i}| , and their harmonic mean F^{\mathrm{route}}_{i} . Empty predictions receive zero when a surface is required. Table 4 reports Route-P,…
La relevancia práctica todavía necesita contraste editorial.
La lectura primaria permite comprobar método y resultados en el HTML, pero no convierte sus conclusiones en validación independiente. La ficha no demuestra transferencia fuera de los datasets, modelos, herramientas y condiciones descritos en 3 Benchmark Construction.
Cómo lo llevaría a un proyecto
Probar la propuesta en copilotos empresariales reproduciendo primero la comparación y registrando calidad, coste, latencia y errores.
Preguntas que conviene probar
- ¿La mejora se mantiene cuando copilotos empresariales cambia de dominio o distribución?
- ¿Qué componente del método explica la mayor parte del resultado y qué baseline lo pone realmente a prueba?
Si tuviera que convertirlo en una prueba mañana.
Mi lectura
La pregunta operativa es si copilotos empresariales puede medirse con una línea base y un criterio de parada claros.
Esta última frase es una inferencia editorial a partir del paper y de sus posibles implicaciones; no es una afirmación de los autores.