Databricks 发布 OfficeQA Pro V2 推理基准

Databricks 发布 OfficeQA Pro V2，用于评估 AI agent 在企业陌生文档上的推理泛化能力。其核心目标是区分模型进步源于真正的 grounded reasoning 能力，还是仅对特定语料过拟合，这一问题对企业场景尤为关键。

基准基于美国财政部约 12 万页账目文档，含 90 道问题。默认配置下，GPT-5.5 / GPT-5.6 Sol 配 Codex、Claude Opus 4.8 / Claude Fable 5 配 Claude Code 的平均准确率仅 37.5%。

💡 为什么值得看前沿模型企业文档推理准确率仅 37.5%，Databricks Genie 提升至 52.8%，agent 框架差距大于模型本身。