Flex-RSI ukur kemampuan agen AI memperbaiki diri secara rekursif
Benchmark baru Flex-RSI menilai bagaimana agen AI frontier memperbaiki cara kerjanya, bukan hanya jawabannya, melalui revisi harness seperti prompt dan alat.
Benchmark baru Flex-RSI menilai bagaimana agen AI frontier memperbaiki cara kerjanya, bukan hanya jawabannya, melalui revisi harness seperti prompt dan alat.
TandemBench adalah tolok ukur baru berisi 1.200 pertanyaan untuk menilai kemampuan model kecerdasan buatan dalam mengambil keputusan koordinasi kerja tim multiagen.
Makalah baru memperkenalkan WorkflowArena, tolok ukur untuk menguji kemampuan agen LLM menyusun dan menjalankan alur kerja dalam sistem multi-agen secara mandiri.