ニュース
ARE-bench: Benchmarking Agents' Research Ability in Real-World Researcher Sessions and Workspaces
arXiv cs.AI · 公開日 · 読了3分
30秒で要点
- 何が起きたか
- ARE-bench evaluates research agents on 75 real-world tasks from active researcher projects, measuring whether agents respect prior decisions and existing workspace state.
- なぜ重要か
- Matters for engineers building or deploying research agents who need realistic assessment beyond clean benchmark environments.
- 注意点
- Top models pass only 66.2% of tasks; performance drops to 28-40% when workspace history and material requirements are checked, suggesting current benchmarks may overestimate capability.
- agent
- eval
- benchmark
この話題の背景にあるパターン
各ページで、技術の仕組み、コストに見合う場面、そして破綻する条件を解説しています。
The Agent Architect
1つのパターン、1つのトレードオフ、1つの本番障害事例。エージェントシステムを構築する人のための短い週刊ブリーフィング。
週1回のメール、ワンクリックで購読解除できます。アドレスはブリーフィングの送信のみに使用します。