该数据集名为AITW，是一个大型的用户界面控制基准数据集，包含了自然语言指令、屏幕截图以及动作。它旨在评估用户界面中的任务自动化能力。该数据集覆盖了包括应用操作、网页搜索和网上购物在内的多种多步骤任务，涵盖了超过350个应用和网站，并为不同类型的任务提供了子集。其规模达到了71.5万个场景，涵盖了3万个独特的指令，任务重点在于用户界面控制和任务自动化。

arXiv600

handshake-ai-research/bankertoolbench

投资银行AI代理评估

任务自动化

BankerToolBench是一个包含100个端到端投资银行任务的基准测试，用于评估AI代理。每个任务模拟真实的初级银行家工作——包括构建金融模型、准备推介演示文稿、撰写备忘录——并产生多文件交付物（如Excel、PowerPoint、Word），这些交付物会根据专家制定的评分标准进行评分。该基准测试由来自高盛、摩根大通、Evercore等公司的502名投资银行家共同开发，每个任务的平均人工完成

Hugging Face2026-06-05 更新270

DCAgent2/swebench_verified_random_100_folders_rl__40GPU_base_32b__exp_rpt_nemotron_bash_b635162b

任务自动化

强化学习对话

--- dataset_info: features: - name: conversations list: - name: content dtype: string - name: role dtype: string - name: agent dtype: string - name: model dtype

Hugging Face2026-04-10 更新170

mercor/apex-agents

AI代理

专业服务任务

--- license: cc-by-4.0 language: - en tags: - agents - benchmarking - finance - legal - management-consulting - tool-use - long-horizon pretty_name: apex-agents size_categories: - n<1K --- # APEX–Age

Hugging Face2026-02-06 更新590

D-ExpTracker__qwen25_15b_instruct_bestofn_atags_countdown_4arg_5__v1

机器学习

任务自动化

这是一个用于Skill Factory工作流的简单测试实验数据集，包含问题和答案以及相关的任务配置和元数据信息。数据集分为测试集和训练集，测试集有4000个示例，而训练集仅有5个示例。

Hugging Face2025-08-30 更新230