AIエージェントの性能を市場の実務で評価する新ベンチマーク「StartupBench」公開

要点：StartupBenchは、実際の市場で検証されたスタートアップ製品のワークフローを基に、AIエージェントの能力を測定する新しいベンチマークです。現状の最先端モデルでもタスク達成率は約30%に留まり、複雑な指示への追従や専門知識の不足が課題として浮き彫りになりました。