用多环境任务系统评测大模型作为智能体的综合能力，覆盖操作系统、数据库、知识图谱等场景，方便横向对比不同模型的 agent 表现。
用游戏当测试场来评估 LLM/VLM 智能体的框架，提供可复现的游戏环境和评测流程，方便对比不同模型在交互决策上的表现。
基于智能体的视频生成评测系统，用自动化方式给文生视频、图生视频等模型的生成质量打分，省去人工逐条评估的麻烦。
面向浏览器 AI 智能体的开源评测基准，用日常任务数据集衡量智能体在真实网页操作中的表现。
面向企业审计场景的可审计 AI 智能体平台，让智能体基于证据工作、工具调用受管控，并内置评测、人工复核与整改交付流程。
一站式 Web Agent 后训练框架，点几下就能搭建并评测基于大模型的网页智能体。
面向多模态游戏智能体的标准化评测基准，提供可验证的评测流程，用来衡量智能体在游戏环境中的真实表现。