ScienceAgentBench: 研究タスクにおけるPythonコード生成ベンチマーク
ScienceAgentBench: 研究タスクにおけるPythonコード生成ベンチマーク
#ベンチマーク
3件の記事があります
BixBench:Bioinformaticsタスクに対するAIエージェントのベンチマーク
FutureHouseとScienceMachineが共同開発したバイオインフォマティクス分野のAIエージェント評価ベンチマーク
AI4Science評価データ FrontierScience（OpenAI）の概要と簡易検証
OpenAIのAI4Science評価データ「FrontierScience」を実際に使ってみた試行録です。Olympiad／Research両タスクを簡易的に検証し、所感をまとめました。