Le filThèmes : ÉvaluationsAgents
HyperBrowseComp, un benchmark multilingue et multimodal, met à l’épreuve les agents de navigation web
1 sourcemis à jour il y a 2 jpertinence 3,4 sur5
L’essentiel
Le benchmark compte 423 questions rédigées à la main et validées par des humains, dans 13 langues. Plusieurs modèles sont évalués avec la recherche native de leur fournisseur et un outil de recherche externe commun.
Propagation1 article, publié par HF Daily Papers le 5 oct..
Les sources
1 article
HF Daily PapersCommunauté : fiche de la sourceSource primaire
Hugging FaceAlham Fikri Aji, Faiz Rizki Ramadhan, Zayd M. K. Zuhri et al.huggingface.co
HyperBrowseComp: A Multilingual and Multimodal Stress Test for Web-Browsing Agents (site externe)
We introduce HyperBrowseComp, a multilingual and multimodal browsing benchmark comprising 423 manually authored and human-validated questions across 13 languages, written by native or highly proficient speakers.
Sur les mêmes thèmes
Agents
LangChain intègre un routeur de modèles à son agent open source Open SWE et réduit le coût médian
Évaluations
Microsoft publie ThinkingBox, un benchmark qui note les agents sur l’état final de la base de données
Agents
SkillSeek montre que BM25 rivalise avec la recherche agentique de skills pour les agents
Agents
Weave publie en open source Weave Router 2.0, qui oriente les agents de code vers différents modèles
À lire ensuite
Modèles
Google DeepMind annonce Gemini 4 Argon, déployé d’abord auprès de défenseurs cyber de confiance via Fairwind
Modèles
OpenAI lance GPT-6 Sol et GPT-6 Luna, deux modèles plus économiques qui complètent GPT-6 Astra
Modèles
Anthropic publie Claude Opus 5.5 et OpenAI lance GPT-6 Sol et GPT-6 Luna à environ une heure d’écart
Modèles
Anthropic lance Claude Sonnet 5.5, deuxième modèle de la famille Claude 5.5