Amanda Swearngin

新基准 SentinelBench 测试 AI 代理在长时间监控任务中的表现

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。