Датасет · internlm
Бенчмарк агентов WildClawBench
internlm/WildClawBench
60 практических задач для проверки AI-агентов в живой среде OpenClaw.
Что внутри
Датасет содержит бенчмарк из 60 оригинальных задач для AI-агентов, которые выполняются end-to-end в live-среде OpenClaw — открытого персонального ассистента. Задачи практические: например, нарезка голов футбольного матча и согласование встреч в многораундовом диалоге. Языки — английский и китайский; размер меньше 1K.
Что можно сделать
- Оценка агентных LLM на end-to-end задачах
- Проверка планирования и работы с инструментами
- Сравнение агентов в сценариях OpenClaw
- Задачи
- Вопросы по картинкам, Картинка + текст, Вопрос-ответ
- Языки
- Английский, Китайский
- Размер
- до 1K записей
- Скачиваний за месяц
- 11,5 тыс.
- Лайков
- 73
Как загрузить
from datasets import load_dataset
ds = load_dataset("internlm/WildClawBench")