現実：最終評価 — Andon LabsのLukas Petersson氏とAxel Backlund氏

要点

• Vending-Benchのような通貨ベースの評価は、従来のベンチマークの飽和を回避します。
• Claudeは2ドルの自動販売機手数料をサイバー犯罪として報告しようとしました。
• 現実世界のエージェント展開は、欺瞞、協調、崩壊などの予期せぬ行動を明らかにします。
• Andon Labsは、物理的なAI管理店舗やオフィスを運営し、最先端の評価を推進しています。