대규모 언어 모델(LLM)은 단순한 텍스트 생성기를 넘어, 사용자 요청을 이해하고 외부 도구를 호출하며 상호작용을 통해 복잡한 작업을 완료할 수 있는 범용 에이전트로 진화하고 있습니다. 그러나 기존의 에이전트 벤치마크는 제한된 시나리오, 도구 생태계 또는 상호작용 형식에 초점을 맞추는 경우가 많아, 이질적인 애플리케이션 환경 전반에 걸쳐 모델의 역량을 체계적으로 특성화하기 어렵습니다. 본 논문에서는 명시적인 상태 공간을 가진 다양한 시나리오 전반에서 범용 에이전트를 평가하는 벤치마크인 OmniaBench를 소개합니다. 우리는 앱 스토어, 제품 문서, 산업 자료, Web 검색 및 인간의 정제 과정을 통해 애플리케이션 중심의 시나리오 지식을 도출하여, ToC(To Consumer), ToB(To Business), ToE(To Enterprise)를 아우르는 계층적 분류 체계를 구축했으며, 이는 90개의 레벨-1 도메인과 354개의 레벨-2 도메인을 포함합니다. 이 분류 체계를 기반으로 실행 가능한 환경을 구성하고, DAG, DAG-S, Solver, Program 네 가지 보완적인 경로를 통해 단일 턴 및 다중 턴 작업을 합성했습니다. OmniaBench는 또한 세밀한 평가와 분석을 지원하기 위해 10차원 역량 분류 체계와 8가지 조합적 원자 난이도 요소를 추가로 도입합니다. 그 결과 생성된 데이터셋은 총 1,431개의 태스크를 포함하며, 평가 비용을 줄이고 공개 후 전체 세트의 잠재적인 오염(contamination)을 완화하기 위해 설계된 도전적인 하위 집합 644개 태스크가 함께 제공됩니다. 이 벤치마크는 현재 최첨단 모델들에게 상당한 도전을 제기하며, 심지어 Claude-Sonnet-5와 GPT-5.6-Sol조차 각각 Overall Pass@1 점수에서 58.54점과 57.14점에 그쳤습니다. 추가 분석에 따르면, 도메인 및 역량 전반에 걸쳐 명확한 차이가 나타나며, 계획(planning), 제약 조건 유지(constraint maintenance), 적응적 수정(adaptive correction) 측면에서 지속적인 한계가 발견되었습니다. OmniaBench는 범용 에이전트의 역량 경계를 특성화하기 위한 광범위하고 진단적인 벤치마크를 제공합니다.