请问哪家大模型能够更准确地转化下述问题：
“原告是安利股份的案件审理法院是哪家法院？”
为可被大模型执行的指令序列（Routine）?
公司简称:安利股份->上市公司基本信息;
公司名称:上市公司基本信息.公司名称->法律文书信息;
法律文书信息.过滤(原告等于上市公司基本信息.公司名称);
法院代字:法律文书信息.法院代字->法院地址代字信息;
法院名称:法院地址代字信息.法院名称;
评估结果见文尾
回答这类问题，可以用到“4-One Bench”，这是老于依托于在《第三届琶洲算法大赛-GLM法律行业大模型挑战赛道》中获得全国第11名的竞赛程序，构建并开源的一套大模型Routine Gen能力评估体系。
而老于开源的初衷就是希望通过开源以促进“编排型”Agent在企业的落地。
“编排型”Agent
微软和Salesforce之间的Agent之争最近开始升级：微软发布了10个Agents以硬刚Salesforce的Agentforce战略，而Salesforce CEO则直白地宣称微软的Agent“Just doesn't work”。
虽然两家公司正在开启“互喷”模式，但二者对Agent商业化方向的判定还是趋同的，都瞄准了“编排型”Agent。
Every organization will have a constellation of agents — ranging from simple prompt-and-response to fully autonomous. They will work on behalf of an individual, team or function to execute and orchestrate businesses process.
- Jared Spataro， Microsoft CMO
两家公司共同野心是在SaaS层打造一套类似于云计算（IaaS）和容器（PaaS）的编排体系，即“编排型”Agent。编排型Agent的终极目标是依据任务需求，自动编排和执行企业资产（包括系统、API、结构和非结构化数据、以及人等）以达成业务目标。
例如，在前几日的AI Tour上，微软便展示了相关案例：基于预设的Routine，麦肯锡EM Agent能够解析客户的邮件为销售机会，并调度CRM和HR系统以安排恰当的合伙人跟进该销售机会（图1）：
图1：麦肯锡EM Agent，红色标识部分为对CRM和HR的调度
如果这两家公司的野心兑现，编排型Agent将有机会一统原本分散在单系统中由代码逻辑驱动、多系统间由工作流引擎驱动、以及当下还未被SaaS完全囊获，由人驱动的编排体系，并在SaaS市场攫取相当的战略优势（图2）：
图2:编排型Agent有机会统一现有编排体系
但是，这两家公司尚未搞定编排型Agent的“胜负手”。
“胜负手”
编排型Agent的胜负手在于Routine Gen，即根据任务准确生成Routine的能力（图3）：
图3: Routine Gen是编排型Agent的胜负手
而为了保证商业可靠性，微软和Salesforce的Routine Gen皆为手工编制，例如，在上述麦肯锡案例中，Routine就是由人工书写（图4）：
图4：由人工书写的麦肯锡EM Agent Routine
以大模型当下的能力来看，手工编制不失为一种选择。但当微软和Salesforce得偿所愿，企业运转着百万，乃至数以亿计的Agents时，这些Routine的维护将成为企业的噩梦。因此，由大模型驱动的自动化Routine Gen是一种必然。
虽然OpenAI o1已经展露出些许自动化Routine Gen的潜质（详情参见我的文章《OpenAI o1正在重塑Agent？》），但基于商业领域的严谨性，编排型Agent的决胜时刻还远未到来。因此，业界需要一套可以持续评估大模型Routine Gen能力的体系。
为此，抛砖引玉，我开发了“4-One Bench”。
4-One Bench
4-One Bench是一套轻量级评估体系，定位于帮助用户快速评估大模型的Routine Gen能力，并鼓励用户结合自身商业实践定制评估内容。此外，用户亦可参照Bench中的编排自定义文法体系。
4-One Bench的架构采用Generator-Verifier模式，同时，该Bench具备如下特色（图5）：
图5：4-One Bench 系统架构
首先，One-Query：4-One Bench模拟日常商业实践中常见的“一句话任务”场景，涉及单项或者多项企业资源的编排：
图6：满足One-Query需要编排单或多项企业资源
其次，One-Knowledge Graph：依据任务，一套描述资产关系的知识图谱指导大模型自动编排企业资产，同时，用户亦可结合自身商业实践定制知识图谱内容。
图7：描述API和商业实体的知识图谱
再次，One-Shot。考虑到实际商业环境中对Agent的响应速度和准确率要求，4-One Bench重点考察大模型一次性成功生成Routine概率。
最后，One-Syntax。一套自定义的文法（Syntax）主要的作用是将任务结构为指令，而指令又可被映射为函数以用于企业资产调用（图8）：
图8：4-One Bench的自定义文法
我们用来源于《GLM法律行业大模型挑战赛》的51道问题评估了4家厂商（OpenAI、智谱、阿里云和字节）的8个大模型并形成了评估基线。通过评估，我们发现（图9）：
当前表现最好的模型（gpt-4o）One-Shot的准确率有七成，如果我们利用Verifier将One-Shot架构转化为ReAct，凭借提示词Routine Gen的准确率有望达到90%+；
准确率超过60%的模型对知识图谱有较好的理解，而如果该指标低于50%，则不建议使用此类模型进行Routine Gen；
国产主力模型能力距gpt-4o不远（例如 glm-4-plus的准确率为～65%），市场上有望出现能够PK微软和Salesforce的纯国产的"编排型"Agent；
各个模型所犯错误较为近似，有进一步通过优化提示词工程提升准确率的空间。
图9：4-One Bench 测评结果
下述视频演示了如何使用4-One Bench测评glm-4-520的Routine Gen能力：
