AIが道具を使いこなせるか評価

Is it agentic enough? Benchmarking open models on your own tooling

公開AIモデルが独自の道具を使いこなす能力を測る新評価法が登場。AIが複雑な作業を自律的にこなせるかを知る上で重要です。