AIFIND / MODEL INTELLIGENCE
T
調査中LHTB
Long-Horizon Terminal-Bench · Tencent HY / Lehigh ほか
長時間の端末操作による複雑な開発。
何を測るか
90 分、2 時間、3 時間を分離。判定方式の修正前後や異なる Agent の最良値を混ぜません。
ランキングでの扱い
出典を調査中です。自動収集・ランキングへの加点はまだ行いません。
比較の限界
公式に判定情報の漏えいが開示されています。修正後の同一手順である証拠が揃うまで旧結果を採用しません。
出典・利用条件
Apache 2.0 · Tencent HY / Lehigh 等 の公式データ。帰属と変更説明を保持します。
Tencent HY / Lehigh ほか による成績です。元の点数は尺度が異なるため単純加算せず、固定の基準尺度で比較します。
最終取得確認 未確認 · 最後の成功 未確認。リアルタイムの成績ではありません。観察用の目録です。自動取得にはまだ対応していません。
元の評価結果
この出典の公開可能な結果は、まだ掲載されていません。