第6章 · Agent の評価

Agent の性能を比較可能なシグナルに変える。評価環境、データセット設計、指標体系、統計的有意性、可観測性、評価駆動の選定、そしてプロダクショングレードの内部評価とシミュレーション環境を扱う。

← メイン README に戻る · 📖 章の本文を読む

付随プロジェクト

実験	プロジェクト	種類	説明
6-1	tau2-bench/	📖	計算、検索、データ処理などのシナリオを含め、複雑な推論のためにツールを使う Agent の能力の評価に焦点を当てる。
6-2	tau2-bench/	📖	τ²-bench の段階別タスクを手動で完了し、軌跡を記録する。
6-3	user-memory-evaluation	✅	4段階 Rubric を180件の構造化判定に適用し、根拠とハルシネーション拒否を記録する。
6-4	user-memory-system-evaluation	✅	60ケースを3システムで実行し、コストを完全に集計する。
6-10	user-memory-system-evaluation	🚧	コンポーネント・モデル・評価器の 4×3×2×60 完全マトリクスは未完了。
6-12	openvla-robotwin2-eval	✅	単一 GPU の正式実験で各 action-chunk 群 256 エピソードを完了。chunk 1 は 0/256、chunk 25 は 26/256 で、512 rollout のハッシュを保存。
6-2	terminal-bench/	📖	Terminal-Bench は、実際のターミナル環境における AI Agent の性能をテストするためのベンチマークである。コードのコンパイルからモデルの訓練、サーバーのセットアップまで、Agent が実際のエンドツーエンドタスクをどう処理するかを評価する。約 100 タスクのデータセットと実行フレームワークを含み、さまざまな Agent 実装をサポートする。
6-2	SWE-bench/	📖	SWE-bench は、大規模言語モデルが実際の GitHub issue を解決する能力を評価するためのベンチマークである。コードベースと issue の説明が与えられると、モデルは問題を解決するパッチを生成しなければならない。SWE-bench、SWE-bench Lite、SWE-bench Verified、SWE-bench Multimodal という複数のバージョンを含む。
6-2	GAIA/	📖	GAIA は次世代の LLM（ツール拡張、効率的なプロンプティング、検索アクセスなどを備えたもの）を評価することを目的としている。さまざまな程度のツール利用と自律性を必要とし、曖昧さのない回答を持つ 450 以上の非自明な問題を含む。3 つの難易度レベルに分かれている。
6-2	OSWorld/	📖	ファイル管理、アプリケーション操作、システム構成を含む、完全なオペレーティングシステム環境内で複雑なタスクを実行する Agent の能力を評価する。
6-2, 6-11	android_world/	📖	アプリのナビゲーション、UI 操作、タスク完了能力を含む、Android モバイル環境における Agent の性能を評価する。
6-5	tts-quality-eval	✅	さまざまな TTS 構成（異なるモデル/音声/速度）を用いて同じ難易度の高いテキストセットを合成し、次にマルチモーダルの LLM-as-a-Judge を用いて Rubric に従って各次元（明瞭さ、自然さなど）を採点し、結果を再現可能な構成比較表に集約する。
6-6	elo-leaderboard	✅	ELO レーティングシステムに基づく Agent 性能リーダーボードを実装し、ペアワイズ比較を通じて異なる Agent の相対的な能力を評価する。
6-7	model-action-threshold	✅	同一の中立的な Coding Harness の下で、GPT-5.6-sol と Claude Sonnet 5 が探索から最初の編集へ移るしきい値を比較する。18/18 セルが API エラーなしで完了し、manifest が軌跡と集計を検証可能なハッシュで結び付ける。
6-8	agent-cost-analysis	✅	典型的な複数ターンの Agent タスク（カスタマーサービスの返金）に対して全チェーンのコスト内訳を行う。カスタムの軽量トレーシングシステムを用いて各 LLM 呼び出しの入力/出力/キャッシュトークン、レイテンシ、コストを記録し、集計して「どのステップが最も高価か」を特定し、次に A/B テストを用いて KV Cache に優しい設計とコンテキスト圧縮による実際の節約を定量化する。
6-9	model-benchmark	✅	複数の OpenAI 互換 LLM API プロバイダーの横断的なベンチマークを実施する。ストリーミングインターフェースを用いて Time to First Token（TTFT）を正確に測定し、並行実行下でのエンドツーエンドレイテンシのパーセンタイル（p50/p95）、スループット、成功率を算出する。単一のコマンドで多次元の比較表を生成し、モデル選定がリーダーボードを見るだけではなく多面的なトレードオフであることを示す。
6-11	android-world	📖	本書による AndroidWorld 上での T3A Agent の評価レポートと失敗分析ノート（実験 6-11 の起点。ベンチマークのソースコードではない）
—	public-health-reporting-eval	✅	合成 DHIS2 スタイルの集計データに基づき、公衆衛生レポート Agent のツール呼び出し、計算精度、証拠引用、根拠のない主張を客観的に評価する。

バッククォート表記の外部ベンチマークは別途 clone が必要です。android-world/（ハイフン区切り）は本リポジトリ内の T3A 評価分析ノート（同ディレクトリの README を参照）であり、外部の android_world/ ベンチマークソースとは別パスです。

プロジェクトの種類

アイコン	種類	意味
✅	単独実行	このリポジトリに完全なコードがあり、API キーを設定すれば実行できる
📖	再現ガイド	git clone が必要な外部リポジトリに依存する詳細ドキュメント
🚧	設計ドキュメント	アーキテクチャ/実装計画のみで、実行可能なコードは未完成