电子表格是现代金融的通用语言，支撑估值、预测、审计等核心工作流。随着大语言模型（LLM）代理逐步自动化知识工作，构建电子表格成为自然且重要的测试场景。现有基准大多采用填空式任务，只要求在已有表格上做小幅编辑，无法覆盖建模决策、格式设计和工作表布局等最耗时的环节。为此我们推出 MBABench-2.0，收录 101 项全新表格构建任务，其中最难任务估计需要经验超过三年的建模师耗时 33 小时。不同于代码或数学可以通过单元测试直接验证答案，金融表格的可读性、可维护性和可审计性等质量难以简单判定。我们制定了 129 条评估标准，覆盖 12 大类，超越单纯的准确性衡量。对 20 多个代理、8 种模型和 4 种调用方式进行实验后发现，最先进的代理在完整通过质量标准方面的通过率仅为 16%，显示当前技术在表格构建能力上仍有显著差距。
点评