Original em inglês: https://argusic.com/subject/appworld
appworld
AppWorld: Um Mundo Controlável de Aplicativos e Pessoas para Benchmarking de Function Calling e Interactive Coding Agent, ACL'24 Best Resource Paper.
Executafonte: GitHubpágina do projetoPythonApache-2.0commit 42b5bcf3cd33
Python, licença Apache-2.0. O projeto se descreve como: acl 2024, ai agents, ai apis, ai assistants, ai environment, ai planning, autonomous agents e coding agents.
appworld executa. Em uma máquina limpa sem GPU, um agent da Argusic o instalou em 35 minutos e encontrou 5 erros, corrigindo todos sem ajuda, e a sessão inteira foi gravada.
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.
O que o agent conseguiu em uma máquina limpa, nas palavras dele. Como isto é medido
Medido pela Argusic em uma máquina nova, todas as vezes. Cada número tem link para as suas evidências. Pontuação Argusic 100 de 100 (a média das pontuações das execuções deste projeto).
Visão geral
Dados do projeto de GitHub, com link no topo desta página, atualizado em . Dados de teste da Argusic (CC BY 4.0); cada número tem link para uma página de execução com o log completo, a gravação e os hashes sha256 deles.
O que foi medido
Da execução que decidiu este veredito. Cada linha é um valor registrado, não uma estimativa.
O que deu errado, nas palavras do agent
As palavras do próprio agent, das piores para as menores, nunca reescritas como conselho.
- 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
- Tempo de instalação
- 35 minutos
- Da máquina limpa até o fim
- 37 minutos
- Erros encontrados e corrigidos
- 5 encontrados, 5 corrigidos sem ajuda humana
- Como o resultado foi comprovado
- 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 exato testado
- 42b5bcf3cd33
- Imagem do container
- sha256:cdd920bce783
O que não foi medido
A outra metade, para você ver exatamente até onde estas evidências vão. Uma lacuna é mostrada como lacuna e nunca é preenchida.
- Pico de memória da GPU
- esta execução foi em uma máquina com CPU, então não havia GPU para medir
- Comportamento em uma execução longa
- cada tentativa usa as menores configurações documentadas e um orçamento de tempo fixo, então isto mede se ele executa, não como ele se comporta sob carga
O fim da gravação
As últimas linhas da sessão de terminal que decidiu este veredito, exatamente como foram gravadas.
/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
521,648Reproduzir a sessão inteira, cada comando desde a máquina limpa até este ponto.
Como foi testado
Um agent, um container, nenhuma ajuda humana. Ele instala o projeto do jeito que a própria documentação do projeto manda, executa o projeto e corrige o que quebra. Tudo abaixo é registrado como aconteceu: a sessão de terminal, o log e o commit exato. A metodologia completa.
Pontos fortes e limites
Fatos medidos, não opiniões. Como este conteúdo é escrito.
O que deu certo
- Chegou a um estado de execução em uma máquina limpa, com a sessão gravada.
- Instalado em 35 minutos.
- Recuperou-se de todos os 5 erros sem que uma pessoa interviesse, o que indica que as falhas estão documentadas o suficiente para serem resolvidas.
- Executou sem GPU, então não precisa de uma para iniciar.
- Licença Apache-2.0, segundo a plataforma onde o projeto está hospedado.
O que não deu certo, ou não se sabe
- Medido uma vez até agora. Uma única tentativa mostra que ele pode executar, não que executa de forma confiável.
Para que é uma escolha razoável
- Testar em um laptop ou em um servidor pequeno: ele chegou a um estado de execução sem GPU.
Também testados, na mesma área
Cada um destes foi instalado e executado pela Argusic em uma máquina limpa. Nada aparece aqui sem ter sido testado.
Histórico de execuções
Tópicos (de GitHub)
acl-2024ai-agentsai-apisai-assistantsai-environmentai-planningautonomous-agentscoding-agentsfunction-callinginteractive-codingllmllm-agentsnlp-datasetsnlp-machine-learningtool-usage
Incorporar o selo
Markdown para o README do projeto. Ele tem link de volta para esta página; os termos estão na página de termos.
[](https://argusic.com/subject/appworld)Perguntas
- appworld executa?
- Sim. appworld executa. A Argusic o instalou e iniciou em uma máquina limpa em 35 minutos, encontrando 5 erros no caminho, e gravou a sessão.
- Como a Argusic testou appworld?
- Em uma máquina nova e descartável, com cada comando gravado e o repositório fixado no commit 42b5bcf3cd33. Há uma tentativa registrada, e a metodologia completa está na página da metodologia.
- Quanto custou testar appworld?
- A execução que produziu este veredito custou US$ 0,10: custo real de computação e de modelo, não um preço de tabela por milhão de tokens. Esse valor está registrado na página da execução.
- Quanto tempo leva para instalar appworld?
- 35 minutos na execução que decidiu este veredito, de uma máquina limpa até um estado de execução. É uma tentativa medida, não uma média.
- appworld precisa de GPU?
- Não para iniciar. A Argusic chegou a um estado de execução em uma máquina sem GPU.
- O que dá errado ao instalar appworld?
- 5 coisas quebraram na execução registrada, e 5 foram corrigidas sem ajuda humana. Cada uma, com o tempo que custou, está listada nesta página.
- Onde estão as evidências de appworld?
- A execução registrada está nesta página, cada uma com link para o seu log completo e a sua gravação do terminal, guardados com uma impressão digital sha256 para que não possam ser alterados discretamente.