APIEval-20Объективная оценка AI-агентов без субъективных суждений

APIEval-20

APIEval-20 — это первый бенчмарк, специально разработанный для оценки способности ИИ-агентов генерировать наборы тестов API, которые действительно находят баги—используя только схему JSON и пример полезной нагрузки, без доступа к исходному коду или документации. Он измеряет возможности тестирования чёрного ящика в 20 разнообразных сценариях, охватывающих электронную коммерцию, платежи, аутентификацию и многое другое.

Ключевые особенности

• Оценка чёрного ящика: Тестирует ИИ-агентов только со схемой JSON и примером полезной нагрузки, отражая реальную практику получения API разработчиками.
• Три уровня сложности багов: Измеряет обнаружение простых структурных багов, умеренных нарушений ограничений и сложных семантических ошибок с несколькими полями.
• Автоматизированное живое тестирование: Каждый тестовый случай выполняется на реальных развёрнутых реализациях API с объективной, воспроизводимой оценкой.
• Взвешенная система оценки: Приоритет обнаружению багов (70%), поощрение полного покрытия (20%), штраф за неэффективность (10%).
• Многодоменное покрытие: 20 сценариев в 7 прикладных доменах, включая платежи, управление пользователями, планирование и поиск.

Сценарии использования

• Оценка ИИ-агентов: Сравнение тестовых агентов на основе LLM с использованием стандартизированного объективного бенчмарка.
• Исследования автоматизации QA: Разработка и валидация новых подходов к автоматической генерации тестовых наборов для REST API.
• Выбор инструментов: Принятие решений на основе данных при выборе между помощниками по кодированию и специализированными тестовыми агентами.

Целевая аудитория

APIEval-20 служит исследователям ИИ, создающим тестовых агентов, инженерным командам, оценивающим инструменты автоматизации, и руководителям QA, ищущим объективные метрики для сравнения производительности агентов с человеческими стандартами тестирования.