[논문리뷰] SWE-Game: Can Coding Agents Build the Games We Want?본 논문은 기존의 게임 개발 벤치마크들이 정교한 동적 반응성이나 시스템 전체의 논리적 일관성을 평가하는 데 한계가 있다는 점을 지적한다. 단순히 코드를 정적으로 분석하거나, VLM에만 의존하는 평가 방식은 에이전트가 실제로 의도된 게임 플레이 동작을 구현했는지 검증하기 어렵다 .#Review#Coding Agents#Game Development#Benchmark#Executable Evaluation#Godot#Unity#Runtime Instrumentation#VLM2026년 10월 7일댓글 수 로딩 중
[논문리뷰] One Success Isn't Reliability: Thinkingbox, a Sandbox and Benchmark for Agents in Stateful Business Workflows본 논문은 기존의 에이전트 벤치마크가 복잡한 비즈니스 환경에서의 신뢰성을 충분히 평가하지 못한다는 문제를 제기합니다 . 많은 연구가 단일 호출의 적절성이나 코드 실행 결과만을 평가하는 데 치중되어 있어, 다중 턴 상호작용이나 상태 변화가 수반되는 실무적 업무의 복잡성을 간과하고 있습니다.#Review#LLM Agents#Stateful Business Workflows#Benchmark#Sandbox#Tool-Agent-User Interaction#Reliability#Executable Evaluation2026년 8월 24일댓글 수 로딩 중
[논문리뷰] FlavourBench: Ranking Frontier Language Models with Executable Culinary Ground Truth본 논문은 기존의 언어 모델 평가가 모델 judge나 인간의 주관적 선호도에 의존하여 발생하는 불투명성과 비일관성 문제를 해결하기 위해 FlavourBench를 제안한다.#Review#Language Model Benchmark#Culinary Ground Truth#Executable Evaluation#Frontier LLMs#Common-core Evaluation#Statistical Inference2026년 8월 23일댓글 수 로딩 중