标签
CogGym 是一个可扩展框架，利用认知实验比较人类与AI认知能力，研究发现规模更大的语言模型能更好地模仿人类推理，但仍落后于形式化基准。
RecreationWorld引入了一个用于混合计算机使用代理的可扩展且可验证的框架，提供了跨越五个平台的环境和一个用于评估的基准测试。
AgentMercury 引入了一个可扩展框架，用于从业务场景中合成可验证环境，使强化学习代理能够提升在企业工作流和域外基准测试中的性能。