#Hugging Face

推荐理由：会話やツール呼び出しではなく、データベースの最終状態と副作用で成否を判定し、20回の反復で業務エージェントの再現性を比較する評価方法が分かります。

推荐理由：複数のMCPツールの出力を一括せず、主張ごとに根拠の出所と回答中の帰属を照合する設計を、医療エージェントの評価結果とともに確認できます。

推荐理由：平均成功率だけでは見えないエージェントの再現性を、Pass^kとMean@kの差で測り、判断の揺らぎを特定して改善する手順を示しています。

推荐理由：ベンチマークの総合スコアに混在する能力を設問単位で分け、BBQやWMDPの評価が何を反映するかを読み解く方法を示している。

推荐理由：話者属性や地域別に認識誤差を分析できる評価セットと、ヒンディー語の表記揺れを扱う採点方式を導入し、従来のWERでは見えにくい差を比較できます。

推荐理由：元モデルを教師にする設計とベンチマーク結果を通じて、圧縮後の4-bitモデルで精度を回復する方法を比較できる。

推荐理由：11種類のオープンソース音声認識モデルを3つのテストで調べ、公開ベンチマークのスコアが音声の忠実な書き起こしをどの程度反映しないかを具体例と数値で示しています。

推荐理由：8モデルをAppWorldで比較し、性能帯ごとに有効なメモリ量が異なる結果を示しており、精度とトークンコストの調整方法を把握できます。

推荐理由：ダウンロード数と「いいね」を分けて読むことで、注目度と継続利用の違いを示し、公開モデルの普及を捉える視点を提供している。

推荐理由：論文単位の再現率だけでなく、検証済みの誤りや誤検出も具体例で示し、AIエージェントによる研究監査の可能性と人間の役割を考える材料になる。