AI 에이전트가 연구 단계에서 실제 배포로 넘어가면서, 에이전트의 성능을 어떻게 평가할 수 있는지가 중요한 질문으로 떠오르고 있다. 기존의 혼란도 점수나 MMLU 리더보드 수치는 모델이 실제 웹사이트를 탐색하거나 GitHub 문제를 해결하는 능력, 고객 요청을 신뢰성 있게 처리하는 능력에 대해 거의 알려주지 않는다. 이 글에서는 대형 언어 모델의 에이전틱 추론을 평가하는 데 실제로 중요한 7가지 벤치마크를 소개한다. 이러한 벤치마크는 AI 에이전트의 성능을 보다 정확하게 측정할 수 있도록 도와줄 것이다.

<Mark Tech Post 뉴스 본문 전체읽기>