OpenHands：AI 软件代理开放平台及其对财务自动化的意义
OpenHands 的 CodeAct 智能体在 SWE-Bench Lite 上得分 26%，展示了 AI 智能体如今可靠能做到什么。金融自动化应从严格限定范围开始，而非完全自主。
#open-source
开源
WebArena：包含 812 个任务的基准测试，衡量 Web 智能体真实的能与不能
GPT-4 仅完成 WebArena 的 812 项网页任务中的 14.41%，而人类为 78.24%；智能体大多因错误地宣称任务不可能而失败。
TableLlama：7B 开源模型在表格理解上能否媲美 GPT-4？
TableLlama 在列类型标注上胜过 GPT-4（F1 94 对 32），但在 WikiTQ 组合推理上落后 33 个点。
SWE-agent：接口设计如何开启自动化软件工程
SWE-agent 的代理-计算机界面将 GPT-4 Turbo 从原始 shell 提升到 SWE-bench 上的 12.47%，仅凭界面设计就获得 10.7 个百分点的提升。