Long-horizon tasks
AssessKỹ thuật
Các tác vụ đánh giá đòi hỏi thực hiện nhiều bước phụ thuộc nhau trong một quy trình dài hơn.
Vì sao ở đây
Xếp vào Assess: 1 bài bằng chứng từ 1 nguồn, chủ yếu là cập nhật framework, 1 bài trong 30 ngày qua. Độ tin cậy 24%. Bằng chứng còn ít nên xếp thận trọng, chờ thêm tín hiệu.
Bằng chứng (1)
- 6InfoQ·9/10/2026framework_updateAndroid Bench 2 Bổ Sung Tác Vụ Dài Hạn và Đánh Giá Tác Nhân
Google đã phát hành Android Bench 2.0, một khung benchmark được nâng cấp để đánh giá các mô hình và tác nhân AI trên các tác vụ phát triển Android. Phiên bản mới bổ sung tác vụ dài hạn, đánh giá dựa trên tác nhân và chấm điểm liên tục nhằm đo lường tốt hơn hiệu năng ở các quy trình nhiều bước, phức tạp.