八个基准，各说各话
企业要把大模型接进智能体工作流，绕不开评测，而评测要覆盖的能力弧线很长：CRM 操作、异构文档检索、个人数据理解、多轮规划、工具使用、函数调用、长程研究和长上下文软件工程。可这些评测今天散落在不同的代码仓库里，跑法、依赖和打分约定各不相同，既难做跨基准比较，也让人搞不清一个总分数到底代表什么。EGI-BENCH（arXiv 2610.27234，10 月 19 日提交，来自 Salesforce AI Research）想把这些收拢起来。
它发布了一个统一的企业通用智能体基准套件，把 CRMARENA、HERB、PERSONABENCH、USERBENCH、MCP-UNIVERSE、MCPEVAL、BENCHFORCE、LOCOBENCH 这八个面向企业的智能体基准，收进同一个命令行接口，并提供两种带运行时预算的执行模式（quick 与 deep）。团队不必再为每个基准单独搭环境，一条命令就能在统一口径下跑起来。
EGI Score：六维，不拿平均糊弄
在套件之上，它定义了企业通用智能（EGI）分数，一个六维框架（M1 到 M6），各维度的细分指标由每个基准的细分度量按路由填进来，而不是简单地取基准层面的平均。论文报告了 14 个前沿与成本模型（覆盖 GPT、Claude、Gemini 系列）在 quick 模式下的结果：头部 EGI 从 GPT-4o mini 的 39.6，到 gpt-5.5 的 65.6；而且没有哪个模型能在所有能力轴上都占优——gpt-5.5 在任务结果、规划和检索落地维度领先，Claude Sonnet 4.5 在工具动作与安全/拒答维度领先，Claude Haiku 4.5 在工程质领维度领先。
EGI-BENCH 对行业的价值，在于它把「企业智能体行不行」这个含糊的问题，拆成了可在同一把尺子下比较的细项。对选型方，它提示了一个常被忽视的真相：一个亮眼的总分，可能掩盖了某条能力轴的明显短板；挑模型时，更该看它在自己要用到的那几维上强不强，而不是被单一聚合分数带着走。