エージェント評価

AssistantBenchエージェント評価

AssistantBenchの表示版と環境に結び付いた公開行15件を保持します。

課題: 33
公開行: 15
情報源データ日: 2026年8月6日
ID確認日: 履歴

根拠の範囲

HAL verified snapshot · 33 public tasks · 1 scaffold. public, automatically verifiable browsing tasks. Live-web research and browsing tasks reproduced by the Holistic Agent Leaderboard. Source-specific; no normalized step or token limit published.

OpenGPTでの根拠の扱い

公開元の指標、課題範囲、環境、版、構成、日付を保持し、評価を横断した総合点は作りません。

比較できる範囲

高い値は表示された評価版と条件にだけ適用されます。
結果は基盤モデル単体ではなくエージェント全体を反映します。
費用、信頼性、安全性、速度の欠損値は推測しません。
HAL reproduced these rows and publishes traces, costs, and run counts. The leaderboard is a historical snapshot: HAL has paused adding new models, and reported costs do not include caching benefits.

HAL verified snapshot · 33 public tasks · 1 scaffold

公開15件のうち15件を表示します。結果は元の評価と構成に結び付いています。