11 月 9 日提交的 arXiv 2611.12856 提出 WorkflowArena，由 Navers Lab、Einsia.AI 与清华大学的 13 位作者署名。基准含 145 道长程任务，分布在软件工程、企业运营、形式数学、法律实务、内容设计与 3D 制作等 8 个领域、17 种任务形态，形式数学 24 题、法律实务 22 题。每题给出初始工作区、公开目标与资源预算，判题器隐藏，模型看不到测试与标准答案。
交付物由互相依赖的部件组成，分开做对却没对齐不算完成。合同组合要跨协议查出冲突，多主体合并报表要让公司间调整传导下去，3D 场景要让独立搭出的部件在空间接口上对齐。主智能体与子智能体共用 14400 秒容器墙钟，规划、调度与返工都计在内，每次委派经记录接口，轨迹里能看到何时起了工作流、每组多大。用多少子智能体不直接加分，串行单智能体路径若在时间与质量上取胜同样成立。
论文跑了 9 个模型的 25 种配置，harness 用 Claude Code 与 Codex。等权平均下 Claude Opus 5.5 配 Claude Code 的最高档解决率 36.95%、连续分 79.94，高档连续分 80.21 但解决率回落到 34.11%，没有一套配置在 8 个领域都领先。委派习惯也分叉，高档的 Claude 更少起工作流但每组工人更多，GPT 在 Codex 里起得更勤、每组更小。
更值得单看的是固定执行器、只换工作流作者的对照。在较难子集上，Claude Opus 5.5 写出的工作流让较弱执行器连续分平均提高 6.41 分，能力更强却不一定更会编排的 GPT-6 Astra 写的帮助更小，还拖累了两套执行器。站内 2208 号把多智能体功劳拆成单步效应与交互效应，2091 号让编排记住过去的协作，这条把谁组织工作从谁执行工作里分出来当独立变量。
项目页与 GitHub 仓库已放出，数值为作者自报。各配置的词元消耗与单次任务成本没有列出，容器规格、判题器实现细节与第三方复现结果也未在摘要中给出；25 种配置之间的算力差异如何折算成同一预算，仓库表格之外没有展开。