已收录文章摘要，完整内容可前往原文阅读。
八款前沿大模型在真实网站上替你完成购物、预约、投简历……最强的 Claude Sonnet 4.6 成功率仅 33.3%。实验室里的"高分选手"为何在现实世界频频翻车？本文深度解读 EMNLP 202