E-Bench：多步工具使用智能体的真实产品基准

E-Bench是一个完全合成的基准，包含323个状态改变任务，覆盖Honor of Kings、QQ Music和Tencent Meeting三个产品领域。它通过图引导数据库填充创建可复用环境，并利用生成器-求解器不对称设计迫使智能体发现隐藏信息并组合多次工具调用。结果通过数据库状态差异确定性评分。评测11个前沿LLM，最强模型的Pass^3低于60%，在E-Bench-Code扩展下仍低于70%，说明多步工具使用对当前模型依然困难。