研究人员推出了 SentinelBench，这是一个新推出的开源基准测试，旨在评估 AI 代理在长时间监控任务中的表现。该基准测试包含 10 个合成 Web 环境中的 100 个任务，模拟了电子邮件、金融和专业社交等领域的动态条件。SentinelBench 衡量任务完成度、响应时间和资源使用情况，旨在区分 AI 代理在持续注意力场景下的行为。 AI
影响 提供了一种标准化的方法来评估和改进 AI 代理在持续、现实世界监控场景中的能力。
排序理由 该集群包含一篇介绍 AI 代理新基准测试的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →