ServiceNow-AI 在 Hugging Face 发了 EVA-Bench Data 2.0。数字不复杂：3 个企业领域，121 个工具，213 个评测场景，场景量约为上一版 4 倍。
更要紧的是评测方向变了。它不是继续奖励语音 Agent 把话说得像真人，而是把它按进企业流程：要认证，要查权限，要遵守政策，要知道哪些请求不能答应。
语音 Agent 真进企业电话系统后，最危险的不是“答不上来”。最危险的是答得很顺，事情却办错了。
它到底评什么：三类企业电话场景
EVA-Bench 2.0 从单一企业领域扩展到三类电话服务场景：航空客服、企业 IT 服务、医疗 HR 服务。
| 领域 | 场景数 | 主要压力点 |
|---|---|---|
| Airline CSM | 50 | 改签、确认码、航班客服流程 |
| ITSM | 80 | 工单、故障、访问权限、企业 IT 流程 |
| Healthcare HRSD | 83 | 医疗 HR、保险、FMLA、NPI 等政策约束 |
合计是 213 个评测场景、121 个工具、35+ 工作流。数据集开源，可在 Hugging Face 获取。
原文还提到，每个场景都用 OpenAI GPT-5.4、Google Gemini 3.1 Pro、Anthropic Claude Opus 4.6 做过可解性验证。这个边界要说清：这不是三家模型的性能榜，也没有给出具体分数。它只是说明这些题不是随手编的死局，至少经过前沿模型检查，任务可解，设定相对公平。
另一个边界也重要：这不是完整生产通话的原样复刻。它更像基于真实流程、政策和 API 约束写出来的测试剧本。能逼近企业现场，但不能等同于真实部署结果。
对开发者来说，它的直接用途不是拿来发一张“模型排名图”。更现实的用法是把自己的语音 Agent 接进这些流程，检查工具调用、认证处理、拒绝策略和多轮对话是否稳定。
对采购方来说，它至少提供了一个问供应商的抓手：别只演示顺滑对话，拿复杂流程跑一遍。跑不过，就别急着接生产系统。
真正难的是拒绝、鉴权和多意图
EVA-Bench 2.0 里最有价值的部分，不是场景变多，而是它把 happy path 往后放了。
它重点覆盖几类麻烦场景：认证、不可满足目标、对抗用户、多意图通话。
这些东西不漂亮，但很企业。
一个用户可能在同一通电话里改航班、查积分、更新联系方式。一个员工可能同时报修电脑、追问工单、申请系统权限。HR 场景里，用户要的结果可能本来就不符合政策。还有人会试图绕过身份验证，或者要求访问自己无权查看的记录。
普通演示很少碰这些。演示喜欢用户配合、系统顺利、目标明确。企业现场不这样。
企业现场的错误成本，常常发生在一句“可以”的后面。不该改签却改了，不该开权限却开了，不该解释政策却乱解释了。语音 Agent 一旦接入工具和系统，它就不只是客服话术，而是执行入口。
EVA-Bench 还强调每个场景只有一条正确解决路径，用来保证可复现。这个设计看起来有点硬，但必要。否则同一任务今天多问一句、明天少说一句，结果差异到底来自模型能力，还是来自剧情漂移，很难判断。
这里也有现实限制。企业流程不是永远只有一条路径，真实客服也常常会转人工、延期处理、补材料。EVA-Bench 2.0 更适合作为基础压力测试，不该被包装成“真实业务全覆盖”。
我更看重它能不能推动团队改评测习惯。过去很多语音 Agent 测的是听写、延迟、拟人感。下一步该测的是：
- 用户没过认证时，能不能停住；
- 工具返回异常时，能不能恢复；
- 请求违反政策时，能不能拒绝；
- 多个意图混在一起时，能不能排序处理；
- 任务完成前，能不能保持状态一致。
这些指标不如“像真人”好卖，但更接近企业买单的理由。
分水岭不是会聊天，是能不能被托付
很多语音 Agent 的宣传还停在三个词：自然、低延迟、真人感。
这些当然重要。电话体验太差，用户会直接挂断。但企业真正害怕的不是 Agent 不够会说话，而是它会说、会做、还不守边界。
航空客服里，一次错误改签可能带来赔付和投诉。ITSM 里，一次权限误开可能变成安全事故。医疗 HR 里，一句政策误读可能牵涉合规风险。
所以企业语音 Agent 的分水岭，不是“能不能聊”。是能不能在复杂流程里守规则、调工具、拒绝错误请求，并且把失败处理得可追踪。
这件事有点像早期铁路和电力进入工业现场。发明本身很耀眼，但真正决定它能不能铺开的是标准、调度、责任和安全边界。今天的语音 Agent 不完全一样，但结构相近：技术要进生产系统，就必须接受组织规则的约束。
“天下熙熙，皆为利来”。企业上 Agent，图的是降本、提效、缩短等待时间。问题是，如果评测只奖励流畅表达，不惩罚越权和误办，省下的是客服成本，攒起来的是治理债。
接下来最该观察的，不是 EVA-Bench 2.0 会不会变成又一个榜单页面。而是企业 AI 团队会不会把它这类评测放进上线门槛。
更具体一点，看三件事。
一看供应商是否愿意公开复杂流程下的失败案例，而不只展示成功录屏。二看企业采购是否把认证、权限、拒绝策略写进验收标准。三看开发团队是否把工具调用和政策约束当成核心能力，而不是产品上线前的补丁。
如果这些没变，语音 Agent 还是会继续在演示里显得很聪明，在流程里制造麻烦。
EVA-Bench 2.0 的意义就在这里：它把行业从“说得像人”拉回“办得像一个受约束的企业员工”。这不炫，但更接近真实落地。