次回の更新記事：【論文著者監修・コメント】AIエージェントへの人間…（公開予定日：2026年07月27日）

記事一覧

アイデアにはゲノムがある：科学的系譜推論と系譜に基づくアイデア生成のベンチマーク

2026.07.10

TUA-Bench：汎用ターミナル操作エージェントのための評価ベンチマーク

2026.07.04

マルチモーダルAIエージェントのリアルタイム協調性を測る新ベンチマーク「GPTNT」

2026.07.04

MirrorCode：AIがソースコードなしでソフトウェアを再構築する能力を評価する

2026.07.04

医療AIエージェントの性能を測る包括的ベンチマーク「HealthAgentBench」

2026.07.04

LLM評価の限界を解明：11の評価エージェント条件におけるバイアスと信頼性のトレードオフ

2026.07.04

マルチエージェント環境における一人称視点行動選択の評価ベンチマーク「EgoGapBench」

2026.07.04

YOMI-Bench：大規模言語モデルの日本語漢字読みと音韻理解を評価するベンチマーク

2026.07.04

AIの予測精度を高める鍵は「多様性」にある

2026.07.03

LLMの構造的知能を測る自己完結型ベンチマーク「メタニムゲーム」

2026.06.27

MacAgentBench：macOSデスクトップでのAIエージェントのベンチマーク

2026.06.27

実務セッションから構築されたエンタープライズAIエージェント評価ベンチマーク「EnterpriseClawBench」

2026.06.27

LLMの真の能力はベンチマークの82%を隠蔽する：能力のフロンティア

2026.06.27

長期間のLLMエージェント経済システム評価ベンチマーク「CoffeeBench」

2026.06.20

MacArena：macOS環境におけるコンピュータ操作エージェントのベンチマーク

2026.06.12

知識労働AIの評価ベンチマーク設計と報告基準

2026.05.29

大規模言語モデルによる電力潮流計算のベンチマーク：構造化プロンプトは有効か？

2026.05.22

LLMによるテキストからのCAD生成を評価するベンチマーク「Text2CAD-Bench」

2026.05.22

AIが人間を超える！LLM面接と意味抽出で個人の画像美学評価を予測

2026.05.16

実世界・長期タスク対応AIエージェント評価ベンチマーク「WildClawBench」

2026.05.16

Copyright © Parks, Inc. All rights reserved.