WorkstreamBench：评估 LLM Agent 在金融领域端到端电子表格任务上的表现

随着大语言模型智能体被期望执行端到端工作流，现有基准测试往往局限于问答或单公式编辑，无法衡量其构建完整电子表格的能力。本文提出 WorkstreamBench，专注于金融建模与情景分析等关键工作流，建立了包含准确性、公式和格式三个维度的评估体系。研究发现，尽管 Claude 系列模型表现最佳，但当前智能体在处理复杂 chained 计算时仍难以达到专业金融标准，表明其在真实场景下的规划与执行能力尚显不足。