長期AIタスク評価「Long-Horizon-Terminal-Bench」を発表
Zongxia Li氏らは7月9日(現地時間)、AIエージェントの能力を測る新たなベンチマーク「Long-Horizon-Terminal-Bench (ロングホライズン・ターミナル・ベンチ)」をarXiv cs.AIで発表しました。従来のターミナルベンチマークが短期間の単純なタスクと最終結果に限定されていたのに対し、新ベンチマークは長期間にわたる複雑なタスクにおけるエージェントの中間的な進捗と部分的な解決策を評価するために設計されています。