超越二元正确性：长期智能体对主观企业任务的尺度评估

大语言模型在数学、编程等客观可验证任务上表现出色，这类任务的评估可归结为单元测试或单一正确答案。相比之下，现实中的企业工作往往是主观且依赖情境的：成败取决于组织目标、用户意图，以及在长程多工具工作流中产出的中间成果的质量。我们提出 LH-Bench，一种三支柱评估设计，超越二元正确性，对主观企业任务上的自主长程执行进行评分。三大支柱是：(i) 以专家为依据的评分量表，为 LLM 评审提供对主观工作打分所需的领域上下文；(ii) 精心整理的标准答案成果（ground-truth artifacts），支持逐步奖励信号（如内容任务的章节级标注）；(iii) 用于收敛验证的成对人类偏好评估。我们表明，领域专家撰写的量表比 LLM 撰写的量表提供可靠得多的评估信号（kappa = 0.60 对 0.46），且人类偏好判断确认了同样的头部区分度（p < 0.05），证明以专家为依据的评估可以在不牺牲可靠性的前提下扩展。我们公开发布数据集，并报告两个环境上的结果：Figma 转代码（通过 MCP 调用 Figma API 的 33 个真实 .fig 任务）和程序化内容（在一个日活 30+ 用户的课程平台上，41 门课程共 183 个单独评估的章节）。