מבחן הערכה
AgencyBench
מדידה עצמאית · הערכה על ידי מודל אחר, במשקל מוגבל
מה הוא מודד
ביצוע משימות מרובות שלבים: ביצוע משימה רב שלבית מקצה לקצה · שימוש בכלים: קריאה נכונה לפונקציות וממשקים חיצוניים · הפעלת מחשב: עבודה בממשק של מערכת הפעלה ואפליקציות
מה הוא לא מודד
- אין לגזור ממנו יכולת בתחומים שלא נכללו במשימות שלו.
הערות רישום
Peer-reviewed and professionally relevant; automated/judge components must be disclosed. Verify canonical URL before production.
תוצאות שנקלטו
אין עדיין רשומות מדד למדד הזה. הוא מופיע ברישום אך אינו משפיע על ציון.
