five

GAIR/AgencyBench

收藏
Hugging Face2026-01-23 更新2026-02-07 收录
下载链接:
https://hf-mirror.com/datasets/GAIR/AgencyBench
下载链接
链接失效反馈
官方服务:
资源简介:
AgencyBench是一个全面的基准测试,源自日常AI使用,评估了6种核心代理能力在32个真实世界场景中的表现,包含138个具有特定查询、交付物和评分标准的任务。这些场景平均需要90次工具调用、1百万令牌和数小时的执行时间来解决。数据集支持自动化评估,通过用户模拟代理提供迭代反馈,并使用Docker沙箱进行视觉和功能性的基于标准的评估。

AgencyBench is a comprehensive benchmark derived from daily AI usage, evaluating 6 core agentic capabilities across 32 real-world scenarios, comprising 138 tasks with specific queries, deliverables, and rubrics. These scenarios require an average of 90 tool calls, 1 million tokens, and hours of execution time to resolve. The benchmark enables automated evaluation by employing a user simulation agent for iterative feedback and a Docker sandbox for visual and functional rubric-based assessment.
提供机构:
GAIR
5,000+
优质数据集
54 个
任务类型
进入经典数据集
二维码
社区交流群

面向社区/商业的数据集话题

二维码
科研交流群

面向高校/科研机构的开源数据集话题

数据驱动未来

携手共赢发展

商业合作