Pruebas y Benchmarks3 min read
Evaluación de agentes
Los benchmarks en entornos controlados ocultan cómo fallan realmente los agentes: HKU acaba de construir la solución
UniClawBench evalúa agentes proactivos en cinco capacidades fundamentales a través de 400 tareas bilingües del mundo real, utilizando contenedores Docker en vivo y una evaluación de circuito cerrado con tres agentes. Desenreda las habilidades del modelo base de las elecciones del marco, revelando dónde se rompen realmente los agentes.
2026-07-13