10月 26 2026 0 メールAIエージェントの適応型フィッシング耐性を測るベンチマーク 投稿者: 亜美と智也のAI論文解説 編集部 AgentPhishingは、LLMメールエージェントがフィッシングメールを「見抜けるか」だけでなく、悪意ある依頼に「従ってしまうか」まで評価するベンチマークです。
10月 26 2026 0 2人調理の共同計画を測る視覚言語モデル向けベンチマークDuoCook 投稿者: 亜美と智也のAI論文解説 編集部 DuoCookは、1つの視覚言語モデルが2人を同時に操作し、調理の順序・共有設備・地形変化・受け渡しを計画する能力を測るUnreal Engineベンチマークです。20マップ・5カテゴリで、スコア、注文完了率、配膳精度、操作受理率、API費用を評価します。