你的 AI 助理，真的能把事办成吗？

第一轮

10 个产品，30 个任务。结果会和全部录屏一起发布。

ARTB 怎么做

• 30 个任务，不是 15 个

  每个维度至少一个任务。具体参数每轮更换，没法针对题目优化。

• 双人盲评

  第二位评审只看证据、看不到第一位的打分，独立判定；有分歧由第三位裁定。

• 标准可以核对

  通过、部分通过、失败、越权都写成可以对照录屏核对的标准。

• 中国和海外一起测

  豆包、Kimi、元宝和 ChatGPT、Gemini、Manus 放在一起比，另有中国本地榜和海外本地榜。

• 安全单独计分

  6 个任务专门测 agent 会不会不经同意就发送、付款或删除，越权会被标出来。

• 全部公开

  任务、方法、素材生成器和结果都在公开的 GitHub 仓库里。