近日，美团 LongCat 团队正式发布了一项名为 VitaBench 的智能体评测基准，旨在针对多交互任务，特别是在复杂生活场景中的应用。VitaBench 的推出为智能体在真实生活场景中的研发提供了重要基础设施。
VitaBench 专注于外卖点餐、餐厅就餐和旅游出行等高频真实场景，构建了一个包含66个工具的交互式评测环境。评测任务设计涵盖了从购票到餐厅预订等多项复杂操作，要求智能体在任务执行过程中进行深度推理、工具调用与用户互动的综合表现。
尽管当前领先的推理模型已取得了一定进展，但 LongCat 团队的研究表明，智能体在复杂跨场景任务中的成功率仍然不足30%，显示出当前技术与实际应用需求之间的显著差距。VitaBench 的开发旨在解决这一问题，填补现有智能体评测基准与真实生活场景应用之间的空白。
该基准的设计基于对推理复杂性、工具复杂性和交互复杂性三维度的深入分析。团队通过将这些维度量化，系统化地衡量智能体在真实场景中的表现。例如，推理复杂度主要通过信息整合的需求、观察空间的大小以及所需处理的推理点数量来评估;工具复杂度则考虑工具的依赖关系与调用链长度;交互复杂度则关注智能体在多轮对话中的应能力。
VitaBench 的构建过程为两个阶段，首先是框设计工具定义，接是任务创建评估标准制定。这一过程确保了任务的多样性和复杂性，同时避免了传统文档模式的局限性，使得智能体能够在没有冗余规则的情况下，自主推理和决策。
目前 VitaBench 已全面开源，研究人员和开发者可以通过其官方网站和 GitHub 访问相关资源。VitaBench 的发布标志着智能体评测领域的一个重要里程碑，预计将推动智能体技术在真实生活场景中的进一步应用与发展。
项目主页:https://vitabench.github.io
论文链接:https://arxiv.org/abs/2509.26490
代码仓库:https://github.com/meituan-longcat/vitabench
数据集:https://huggingface.co/datasets/meituan- longcat/VitaBench
排行榜:https://vitabench.github.io/#Leaderboard
