Original en anglais: https://argusic.com/subject/appworld
appworld
AppWorld: un monde contrôlable d'applications et de personnes pour le benchmarking de l'appel de fonction et du Coding Agent interactif, meilleur article de ressources ACL'24.
Fonctionnesource : GitHubpage d'accueilPythonApache-2.0commit 42b5bcf3cd33
Python, sous licence Apache-2.0. Le projet se décrit ainsi : acl 2024, ai agents, ai apis, ai assistants, ai environment, ai planning, autonomous agents et coding agents.
appworld fonctionne. Un agent Argusic l'a installé en 35 minutes et a rencontré 5 erreurs, toutes corrigées sans aide sur une machine propre sans GPU, et toute la session a été enregistrée.
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.
Ce que l'agent a obtenu sur une machine propre, dans ses propres mots. Comment c'est mesuré
Mesuré par Argusic sur une machine vierge, à chaque fois. Chaque chiffre renvoie à ses preuves. Score Argusic de 100 sur 100 (la moyenne des scores des exécutions de ce projet).
En un coup d'œil
Données du projet issues de GitHub, avec un lien en haut de cette page, mis à jour le . Données de test d'Argusic (CC BY 4.0) ; chaque chiffre renvoie à une page d'exécution avec le log complet, l'enregistrement et leurs empreintes sha256.
Ce qui a été mesuré
Tiré de l'exécution qui a décidé ce verdict. Chaque ligne est une valeur enregistrée, pas une estimation.
Ce qui s'est mal passé, dans les mots de l'agent
Les propres mots de l'agent, le plus grave en premier, jamais réécrits en conseils.
- Bundle files (.bundle) were Git LFS pointers (193 bytes) not actual content3 minutes
- OrderItem model datetimes used SQLModel default UTCDateTime requiring tz-aware values, but AppWorld uses naive PendulumDateTimes2 minutes
- fastapi 0.146.0 / pydantic 2.14.1 incompatibility: match_type() takes 2 positional arguments but 3 were given1 minute
- Missing openapi_spec_validator package for test_prepare_api_docs1 minute
- PEP 668 externally-managed-environment blocked system pip install0,5 minute
- Temps d'installation
- 35 minutes
- De la machine vierge à la fin
- 37 minutes
- Erreurs rencontrées et corrigées
- 5 rencontrées, 5 corrigées sans aide humaine
- Comment le résultat a été prouvé
- 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 modèle utilisés
- 521 648
- Commit exact testé
- 42b5bcf3cd33
- Image de conteneur
- sha256:cdd920bce783
Ce qui n'a pas été mesuré
L'autre moitié, pour que vous voyiez exactement jusqu'où vont ces preuves. Une lacune est affichée comme une lacune et n'est jamais comblée.
- Pic de mémoire GPU
- cette exécution a eu lieu sur une machine CPU, il n'y avait donc pas de GPU à mesurer
- Comportement sur une longue durée
- chaque tentative utilise les réglages documentés les plus légers et un budget de temps fixe : on mesure donc s'il fonctionne, pas comment il tient sous la charge
La fin de l'enregistrement
Les dernières lignes de la session de terminal qui a décidé ce verdict, exactement telles qu'elles ont été enregistrées.
/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
521,648Revoir toute la session, chaque commande depuis une machine propre jusqu'à ce point.
Comment le test a été mené
Un agent, un conteneur, aucune aide humaine. Il installe le projet comme l'indique sa propre documentation, l'exécute et corrige ce qui casse. Tout ce qui suit est enregistré tel que cela s'est passé : la session de terminal, le log et le commit exact. La méthode complète.
Points forts et limites
Des faits mesurés, pas des opinions. Comment ce site est rédigé.
Ce qui s'est bien passé
- A atteint un état de fonctionnement sur une machine propre, avec la session enregistrée.
- Installé en 35 minutes.
- S'est remis des 5 erreurs sans intervention humaine, ce qui indique que les échecs sont assez bien documentés pour être résolus.
- A fonctionné sans GPU, il n'en a donc pas besoin pour démarrer.
- Sous licence Apache-2.0, selon son hébergeur.
Ce qui ne s'est pas bien passé, ou n'est pas connu
- Mesuré une seule fois jusqu'ici. Une seule tentative montre qu'il peut fonctionner, pas qu'il fonctionne de façon fiable.
Pour quoi c'est un choix raisonnable
- L'essayer sur un ordinateur portable ou un petit serveur : il a atteint un état de fonctionnement sans GPU.
Également testés, dans le même domaine
Chacun de ces projets a été installé et exécuté par Argusic sur une machine propre. Rien n'apparaît ici sans avoir été testé.
Historique des exécutions
| testé par | tentative | résultat | score | coût USD | date |
|---|---|---|---|---|---|
| Argusic Runner | 1/3 | Fonctionne | 100,00 | 0,10 |
Sujets (depuis GitHub)
acl-2024ai-agentsai-apisai-assistantsai-environmentai-planningautonomous-agentscoding-agentsfunction-callinginteractive-codingllmllm-agentsnlp-datasetsnlp-machine-learningtool-usage
Intégrer le badge
Markdown pour le README du projet. Il renvoie vers cette page ; conditions sur la page des conditions.
[](https://argusic.com/subject/appworld)Questions
- appworld fonctionne-t-il ?
- Oui. appworld fonctionne. Argusic l'a installé et lancé sur une machine propre en 35 minutes, en rencontrant 5 erreurs en route, et a enregistré la session.
- Comment Argusic a-t-il testé appworld ?
- Sur une machine vierge et jetable, avec chaque commande enregistrée et le dépôt épinglé au commit 42b5bcf3cd33. Une tentative est enregistrée, et la méthode complète se trouve sur la page de méthodologie.
- Combien a coûté le test d'appworld ?
- L'exécution qui a produit ce verdict a coûté 0,10 USD : le coût réel du calcul et du modèle, pas un prix catalogue par million de tokens. Il est enregistré sur la page de cette exécution.
- Combien de temps faut-il pour installer appworld ?
- 35 minutes lors de l'exécution qui a décidé ce verdict, d'une machine propre à un état de fonctionnement. Il s'agit d'une tentative mesurée, pas d'une moyenne.
- appworld a-t-il besoin d'un GPU ?
- Pas pour démarrer. Argusic a atteint un état de fonctionnement sur une machine sans GPU.
- Qu'est-ce qui pose problème lors de l'installation d'appworld ?
- 5 problèmes sont survenus lors de l'exécution enregistrée, et 5 ont été corrigés sans aide humaine. Chacun, avec le temps qu'il a coûté, est listé sur cette page.
- Où sont les preuves pour appworld ?
- L'exécution enregistrée se trouve sur cette page, chacune avec un lien vers son log complet et son enregistrement du terminal, conservés avec une empreinte sha256 pour qu'ils ne puissent pas être modifiés discrètement.