主动式智能体真实任务基准

hkuhk · hf · 2026-07-10

UniClawBench 提出一个用于评估主动式智能体的通用基准，面向真实世界任务，通过 live Docker 容器执行和闭环评测来衡量能力。它还设计了多个智能体角色协同的评测方式，强调基于能力维度而不是单次静态问答来评价代理表现。