리더보드로 돌아가기τ²-Bench 自律エージェントタスク — ツール呼び出しと推論の組み合わせ能力を測定 Terminal Bench Hard ターミナルベースのエージェントタスク — CLI環境での自律的能力を測定 Aider-Polyglot 多言語コーディングアシスタントベンチマーク — 複数プログラミング言語のコーディング能力を測定
AI 에이전트 능력
τ²-Bench, Terminal Bench Hard, Aider-Polyglot 기반 자율 에이전트 능력 평가.
…