AIフロントライン

AIエージェントの評価手法を体系化したガイドが公開され、コード・モデル・人間の3種グレーダーを詳解。 コーディング・会話・研究・GUI操作など用途別の評価ベンチマークと「スイスチーズ型」多層評価戦略を提示。 20〜50タスクから始める具体的なロードマップも示し、エージェント開発者の評価設計を支援する。