腾讯混元团队、清华AIR与东南大学推出E-Bench，以王者荣耀、QQ音乐、腾讯会议为原型构建全合成环境，用确定性数据库状态diff评测智能体多步骤工具使用能力。11个前沿模型平均成功率仅54.56%，最强模型Pass³也只有58.82%；腾讯混元Hy3在E-Bench-Code下以约$0.029的单任务成本取得64.40%的Avg@3，兼具成本优势。