Dans l'actualité
ARE-bench: Benchmarking Agents' Research Ability in Real-World Researcher Sessions and Workspaces
arXiv cs.AI · Publié le · 3 min de lecture
En 30 secondes
- Ce qui s'est passé
- ARE-bench évalue les agents de recherche sur 75 tâches réelles tirées de projets de chercheurs actifs, mesurant le respect des décisions antérieures et de l'état du workspace.
- Pourquoi ça compte
- Pertinent pour les ingénieurs qui construisent ou déploient des agents de recherche et ont besoin d'une évaluation réaliste au-delà des environnements de benchmark épurés.
- Vigilance
- Les meilleurs modèles ne passent que 66,2% des tâches; la performance chute à 28-40% quand l'historique du workspace et les exigences matérielles sont vérifiés.
- agent
- eval
- benchmark
Les patterns derrière cette actualité
Chacun explique le fonctionnement de la technique, quand elle vaut son coût et où elle casse.
The Agent Architect
Un pattern, un compromis, une panne de production racontée. Un brief hebdomadaire court pour ceux qui construisent des systèmes agentiques.
Un email par semaine, désinscription en un clic. Votre adresse ne sert qu'à envoyer le brief.