Vending-Bench 2

何を測るか

V2 単一 Agent の期末残高と複数実行のばらつきを比較します。

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

競争 Arena と別条件を分離。シミュレータの抜け穴による利益は、信頼できる経営能力と同じではありません。

出典・利用条件

評価結果の再表示・再配布条件は未確認です。コードや問題集のライセンスを結果の許諾に置き換えません。

Andon Labs 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。