RealReplicaBench是阿里Accio Work团队推出的电商AI Agent评测基准，通过107个真实商业任务测试模型完成度，所有模型均未及格。它复刻真实工作环境，要求任务结果可被下一环节直接接手，用环境状态验证而非模型自述。该基准反映Agent时代评价标准从知识、推理转向实际完成任务的能力，也展示了团队对AI完成工作的深度理解。

文章回顾了国产大语言模型ChatGLM的体验，特别是GLM4.6的进步。最初效果一般，但随着版本更新，GLM4.6在任务完成度和风格上有显著提升，体现了国产模型的进步。

CUA结合了GPT-4o的视觉和推理能力，能够在用户请求时启动虚拟主机，并实时同步操作。通过处理屏幕截图，CUA执行多步骤任务，适应变化并自我纠正，从而提高任务完成度。