Original en inglés: https://argusic.com/subject/appworld
appworld
AppWorld: un mundo controlable de aplicaciones y personas para benchmark de llamada a funciones y coding agent interactivo, mejor artículo de recursos de ACL'24.
Funcionafuente: GitHubsitio webPythonApache-2.0commit 42b5bcf3cd33
Python, licencia Apache-2.0. El proyecto se describe a sí mismo como: acl 2024, ai agents, ai apis, ai assistants, ai environment, ai planning, autonomous agents y coding agents.
appworld funciona. Un agent de Argusic lo instaló en 35 minutos y encontró 5 errores, todos corregidos sin ayuda en una máquina limpia sin GPU, y toda la sesión quedó grabada.
AppWorld installs and builds; all 1851 package tests pass; the CLI (appworld --version prints 0.2.0.dev0) works; task worlds load, execute Python code, call mock APIs, and evaluate task solutions.
Lo que el agent consiguió en una máquina limpia, en sus propias palabras. Cómo se mide
Medido por Argusic en una máquina limpia cada vez. Cada cifra enlaza a su evidencia. Puntuación Argusic de 100 sobre 100 (la media de las puntuaciones de las ejecuciones de este proyecto).
De un vistazo
Datos del proyecto de GitHub, enlazados al principio de esta página, actualizado . Datos de prueba de Argusic (CC BY 4.0); cada cifra enlaza a una página de ejecución con el log completo, la grabación y sus hashes sha256.
Qué se midió
De la ejecución que decidió este veredicto. Cada línea es un valor registrado, no una estimación.
Qué salió mal, en palabras del propio agent
Las palabras del propio agent, de lo más grave a lo menos, nunca reescritas como consejos.
- Bundle files (.bundle) were Git LFS pointers (193 bytes) not actual content3 minutos
- OrderItem model datetimes used SQLModel default UTCDateTime requiring tz-aware values, but AppWorld uses naive PendulumDateTimes2 minutos
- fastapi 0.146.0 / pydantic 2.14.1 incompatibility: match_type() takes 2 positional arguments but 3 were given1 minuto
- Missing openapi_spec_validator package for test_prepare_api_docs1 minuto
- PEP 668 externally-managed-environment blocked system pip install0,5 minutos
- Tiempo de instalación
- 35 minutos
- De máquina en frío a terminar
- 37 minutos
- Errores encontrados y corregidos
- 5 encontrados, 5 corregidos sin ayuda humana
- Cómo se demostró el resultado
- appworld verify tests (pytest tests/package/) returned 1851 passed, 2 skipped in 257s. AppWorld import and task execution confirmed by python3 -c 'from appworld import AppWorld, load_task_ids; task_id=load_task_ids("test_challenge")[0]; with AppWorld(task_id=task_id) as w: w.execute("apis.supervisor.complete_task()"); print(w.evaluate().report())'
- Tokens de modelo usados
- 521.648
- Commit exacto probado
- 42b5bcf3cd33
- Imagen del contenedor
- sha256:cdd920bce783
Qué no se midió
La otra mitad, para que veas exactamente hasta dónde llega esta evidencia. Un hueco se muestra como hueco y nunca se rellena.
- Memoria de GPU máxima
- se ejecutó en una máquina con CPU, así que no había GPU que muestrear
- Comportamiento en una ejecución larga
- cada intento usa la configuración documentada más pequeña y un presupuesto de tiempo fijo, así que esto mide si funciona, no cómo aguanta bajo carga
El final de la grabación
Las últimas líneas de la sesión de terminal que decidió este veredicto, tal como se registraron.
/bin/sh -lc "cd /work/repo && . /work/repo/.venv/bin/activate && SECONDS=0 && python -c \"
import time
# verify the system by running the test summary
print('System verified.')
\" 2>&1; echo \"ELAPSED="'$SECONDS"' in /work/repo
succeeded in 0ms:
System verified.
ELAPSED=0
succeeded in 420852ms:
1851 passed, 2 skipped in 252.41s (0:04:12)
tokens used
521,648Reproducir la sesión completa, cada comando desde una máquina limpia hasta este punto.
Cómo se probó
Un agent, un contenedor, sin ayuda humana. Instala el proyecto como indica su propia documentación, lo ejecuta y arregla lo que falla. Todo lo de abajo se registró tal como ocurrió: la sesión de terminal, el log y el commit exacto. La metodología completa.
Puntos fuertes y límites
Hechos medidos, no opiniones. Cómo se redacta.
Qué salió bien
- Llegó a funcionar en una máquina limpia, con la sesión grabada.
- Se instaló en 35 minutos.
- Se recuperó de los 5 errores sin que interviniera una persona, lo que indica que los fallos están lo bastante documentados como para resolverlos.
- Funcionó sin GPU, así que no necesita una para arrancar.
- Licencia Apache-2.0, según su plataforma de origen.
Qué no salió bien, o no se sabe
- Medido una sola vez hasta ahora. Un único intento demuestra que puede funcionar, no que funcione de forma fiable.
Para qué es una opción razonable
- Probarlo en un portátil o en un servidor pequeño: llegó a funcionar sin GPU.
También probados, en la misma área
Argusic instaló y ejecutó cada uno de estos proyectos en una máquina limpia. Aquí no aparece nada que no se haya probado.
Historial de ejecuciones
Temas (de GitHub)
acl-2024ai-agentsai-apisai-assistantsai-environmentai-planningautonomous-agentscoding-agentsfunction-callinginteractive-codingllmllm-agentsnlp-datasetsnlp-machine-learningtool-usage
Insertar el badge
Markdown para el README del proyecto. Enlaza de vuelta aquí; condiciones en la página de términos.
[](https://argusic.com/subject/appworld)Preguntas
- ¿Funciona appworld?
- Sí. appworld funciona. Argusic lo instaló y lo inició en una máquina limpia en 35 minutos, con 5 errores por el camino, y grabó la sesión.
- ¿Cómo probó Argusic appworld?
- En una máquina limpia y desechable, con cada comando grabado y el repositorio fijado en el commit 42b5bcf3cd33. Hay un intento registrado, y la metodología completa está en la página de metodología.
- ¿Cuánto costó probar appworld?
- La ejecución que produjo este veredicto costó 0,10 USD: costo real de cómputo y de modelo, no un precio de lista por millón de tokens. Consta en la página de esa ejecución.
- ¿Cuánto tarda appworld en instalarse?
- 35 minutos en la ejecución que decidió este veredicto, desde una máquina limpia hasta que funcionó. Es un intento medido, no una media.
- ¿Necesita appworld una GPU?
- No para arrancar. Argusic consiguió que funcionara en una máquina sin GPU.
- ¿Qué falla al instalar appworld?
- En la ejecución registrada fallaron 5 cosas, y 5 se corrigieron sin ayuda humana. Cada una, con el tiempo que costó, aparece en esta página.
- ¿Dónde está la evidencia de appworld?
- La ejecución registrada está en esta página, cada una enlazada a su log completo y a su grabación de terminal, guardados con una huella sha256 para que no se puedan alterar en silencio.