企业代理需要在工作场所记录上回答问题，这些记录会随着团队协作而不断演化。信息在文档、聊天和图表之间共享、纠正和修订，导致同一信息出现多个版本。可靠的问答要求代理能够在足够的证据上推理，解决跨来源和时间上的冲突，并识别证据不足的情况。为系统评估这些能力，我们推出 MMEnterprise-Bench，收录 1,613 条基于模拟协作项目的演化多模态记录的问题，涵盖证据推理、冲突解决和不可回答三类。我们对 10 种商业和开源多模态大模型进行评测，发现即使是最强模型在证据跨来源或时间冲突、或跨多图像时仍表现不佳。提升检索预算或使用更大的检索器虽能增加证据召回，却未必提升答案准确率。这表明在演化工作记录上进行推理仍是重大挑战，MMEnterprise-Bench 为构建更可靠的企业代理提供了测试平台。代码与数据已公开。
点评