MyPCBench：面向个人智能电脑使用代理的基准测试

现有电脑使用代理基准多在非个性化环境中评估模型，导致与实际部署存在差距。本文提出 MyPCBench，在包含 17 个模拟真实 Web 应用的 Linux 桌面环境中，以特定人物背景测试代理作为个人助手的能力。该基准定义了 184 项源自真实请求的任务，评估了六个主流模型。结果显示，最佳模型仅解决 55.4% 的任务，失败主要集中在跨应用长轨迹任务，凸显了个性化场景对代理技能的挑战。