A continuaciónSiguiente guía
Puntos de referencia del agente codificador y del banco SWE
Técnico
GUÍA Técnica
Evaluar agentes de inteligencia artificial significa medir qué tan bien un sistema de múltiples pasos alcanza objetivos en entornos realistas.
Escuche esta guíaNarrado por IA · ~3 min
Eso abarca si terminó la tarea, si el camino que tomó fue sensato, si usó las herramientas correctamente, cuánto costó y si se mantuvo seguro. Los agentes actúan a lo largo de muchos pasos y tienen efectos secundarios, por lo que verificar una sola respuesta frente a una referencia no es suficiente, y las buenas evaluaciones generalmente ejecutan al agente dentro de un entorno controlado e inspeccionan el estado final.
Agent evaluation looks at several things. Task success asks whether the goal was actually achieved, ideally checked by looking at the environment afterward: tests pass, the right record exists, the file has the right contents. Trajectory quality asks whether the steps were reasonable, without loops, pointless calls or lucky guesses. Tool-use correctness checks whether the agent picked the right tools with valid arguments and handled errors. Cost and latency track tokens, calls and wall-clock time. Safety checks whether the agent avoided harmful or unauthorized actions and resisted prompt injection. Environment-based benchmarks have become a leading approach. SWE-bench, from Princeton researchers, asks agents to resolve real GitHub issues and checks the results with the project's tests, and SWE-bench Verified is a human-checked subset. WebArena provides self-hosted websites for browsing tasks. OSWorld tests agents operating full computer desktops. GAIA poses questions that need multi-step research and tools. The tau-bench suite simulates users and domain policies, and it introduced a pass^k metric that asks whether an agent succeeds on every one of k repeated attempts. Grading uses three main kinds of checks: code-based checks on outcomes, which are precise and cheap; model-based graders that score transcripts against a rubric, which are flexible but need to be checked against human judgment; and human review, which is the most trustworthy and the slowest. A common mistake is to trust public leaderboards alone. Benchmarks can leak into training data, become saturated, or fail to resemble your own workload. Another mistake is treating one run as the truth, since agents are nondeterministic and small differences in success rate can be noise. Teams get the most value from a private evaluation set built from their own real tasks and failures, run repeatedly and tracked over time.
Un equipo de agentes de programación puntúa cada intento según si las pruebas ocultas del repositorio se superan después del parche del agente, tal como lo hace SWE-bench, en lugar de juzgar si la diferencia se ve correcta.
Un agente de servicio al cliente se ejecuta con usuarios simulados y una base de datos de reservas de prueba. Los evaluadores comprueban si el estado final de la base de datos coincide con el resultado correcto y si el agente siguió la política de reembolsos.
Un equipo de ingeniería ejecuta cada tarea cinco veces e informa con qué frecuencia el agente tiene éxito en las cinco, lo que expone el comportamiento inestable que una tasa de éxito de una sola ejecución ocultaría.
Una empresa añade un conjunto de seguridad en el que las tareas incluyen una instrucción introducida para eliminar archivos o filtrar datos, y cuenta una ejecución por lo demás exitosa como fallida si el agente obedeció.
A medida que los agentes asumen tareas más largas, las evaluaciones se orientan hacia horizontes más largos, entornos más realistas y medidas de fiabilidad y costo, así como la capacidad máxima. La saturación y la contaminación de las pruebas comparativas probablemente seguirán empujando a los desarrolladores a crear nuevas tareas y a depender más de conjuntos de pruebas privados y específicos de un dominio. Las evaluaciones de seguridad y protección, incluida la resistencia a la inyección de avisos, están recibiendo más atención a medida que los agentes obtienen acceso a sistemas reales. No existe un estándar acordado para calificar el comportamiento de agentes de final abierto, por lo que combinar comprobaciones de resultados, evaluadores de modelos calibrados y revisión humana probablemente siga siendo una práctica común.
Boletín gratuito
Tres noticias verificadas sobre IA cada mañana de lunes a viernes, explicadas con claridad. Gratis para siempre y sin anuncios.
Un correo cada día laborable. Date de baja con un clic. Nunca vendemos ni compartimos tu dirección.
Ponte a prueba
Corrección inmediata en cada respuesta y un certificado para compartir, con un ID verificable, cuando apruebas un curso.
Apoya la educación gratuita sobre IA. AI Understanding es una organización sin fines de lucro 501(c)(3): sin anuncios ni muros de pago, nunca. Hacer una donación
Evaluar agentes de inteligencia artificial significa medir qué tan bien un sistema de múltiples pasos alcanza objetivos en entornos realistas. Eso abarca si terminó la tarea, si el camino que tomó fue sensato, si usó las herramientas correctamente, cuánto costó y si se mantuvo seguro. Los agentes actúan a lo largo de muchos pasos y tienen efectos secundarios, por lo que verificar una sola respuesta frente a una referencia no es suficiente, y las buenas evaluaciones generalmente ejecutan al agente dentro de un entorno controlado e inspeccionan el estado final.
Las acciones de múltiples pasos cambian los entornos, por lo que es necesario comprobar qué sucedió realmente y cómo, no solo el texto final.
Las comprobaciones basadas en el entorno, aquí las pruebas del proyecto, juzgan si la solución realmente funciona.
Requerir éxito en los k intentos mide la consistencia, lo cual es importante para los agentes implementados en usuarios reales.
Las comprobaciones de trayectoria evalúan el camino seguido, detectando bucles y desperdicios que las comprobaciones de resultados por sí solas pasan por alto.
Los evaluadores basados en modelos son flexibles, pero deben contrastarse con el criterio humano y vigilarse para detectar sesgos sistemáticos.
sigue aprendiendo
Más guías seleccionadas para este tema.
A continuaciónSiguiente guía
Puntos de referencia del agente codificador y del banco SWE
Técnico