Argo-Bench：面向企业级工作流的数据 Agent 评测

现有 text-to-SQL 基准只评估查询生成，且审计发现其答案键常出错；真实企业仓库又因敏感难以公开，导致基准多建立在单表公开数据上。Argo-Bench 提出包含 210 个数据科学与分析任务的评测框架：基于公开数据、同行评审行业文献和监管文件，模拟纽约市外卖平台在 2024 年的真实规模（8,100 万订单），并带有经济、欺诈模式与市场激励设定；该世界被导出为 235 张表、75 亿行的 ERP 仓库，参照 Oracle E-Business Suite schema。模拟器的真值状态对 Agent 所见的仓库隐藏。

AI推荐理由 Argo-Bench 针对企业级数据分析 Agent 评测，指出既有 text-to-SQL 基准只评查询生成且答案键常被审计发现错误，并因真实企业仓库敏感而多基于单表公开数据。该工作构建 210 个数据科学与分析任务，模拟纽约市外卖平台 2024 年 8,100 万订单，导出为 235 张表、75 亿行的 ERP 仓库（参照 Oracle E-Business Suite schema），且模拟器真值状态对 Agent 不可见。规模与任务设计对 Agent 评测有实际价值；局限是仍为模拟环境，与真实企业仓库存在差距，且摘要未给出评测结果。