AgentBench

מה הוא מודד

ביצוע משימות מרובות שלבים: ביצוע משימה רב שלבית מקצה לקצה

מה הוא לא מודד

• אין לגזור ממנו יכולת בתחומים שלא נכללו במשימות שלו.

הערות על המבחן

Useful historical agent benchmark; newer domain-specific benchmarks preferred.

תוצאות שנמדדו

אין עדיין תוצאות למבחן ההערכה הזה. הוא מופיע במאגר אך אינו משפיע על הציון.