构建企业级 AI 基准 Enterprise-Bench 如何改变了我评估 AI 的方式

为衡量企业 AI 真实表现，团队构建了 Enterprise-Bench，用一家含 42 个客户账户、40 个产品部件、5 套互连系统和 14 项任务的合成中端支付公司做测试，并将数据量放大至 256 倍。结果显示，结构化记忆系统任务正确率 94.3%，而使用同一 Opus 4.8 模型家族的 Claude Code 为 63.6%，且前者每个正确答案的 token 消耗约少 4.4 倍。