# Benchmarki agentowe

EN: **Agent benchmarks** · id `agentbench` · aliases: agent benchmarks, benchmarki agentów, agent evaluation benchmarks

Path: [AI Atlas](https://aiatlasgraph.com/llms.txt) › [Ewaluacja i interpretowalność](https://aiatlasgraph.com/t/evaluation.md) › [Metryki i benchmarki](https://aiatlasgraph.com/t/metrics.md) › [Benchmarki modeli językowych](https://aiatlasgraph.com/t/llmbenchmarks.md) › Benchmarki agentowe

## Description

- PL: Środowiska, w których model wykonuje wieloetapowe zadania z narzędziami — w przeglądarce, systemie operacyjnym albo rozmowie z symulowanym klientem — a ocenia się, czy cel został osiągnięty.
- EN: Environments where a model carries out multi-step tasks with tools — in a browser, an operating system or a conversation with a simulated customer — and is scored on whether the goal was achieved.

## In one sentence

- PL: To zadania sprawdzające, czy model z narzędziami potrafi rzeczywiście osiągnąć cel przez kilka kroków.
- EN: These tasks check whether a model using tools can actually reach a goal through several steps.

## Problem it solves

- PL: Poprawna pojedyncza odpowiedź nie pokazuje, czy model poradzi sobie z całą pracą w aplikacji lub rozmowie.
- EN: One correct answer does not show whether a model can complete an entire application task or conversation.

## What it does

- PL: Udostępnia kontrolowane otoczenie i narzędzia, obserwuje przebieg zadania oraz ocenia końcowy rezultat i powtarzalność wykonania.
- EN: It provides a controlled environment and tools, observes the task sequence and assesses the final result and execution consistency.

## Everyday example

- PL: Asystent ma znaleźć spotkanie, zmienić godzinę i zapisać ustalenie; test sprawdza końcowy kalendarz oraz wykonane kroki.
- EN: An assistant must find a meeting, change its time and save the update; the test checks the final calendar and performed steps.

## This concerns you if you…

- PL: chcesz porównywać wykonanie całych zadań z narzędziami
- PL: potrzebujesz sprawdzać niezawodność kolejnych kroków
- EN: want to compare complete tool assisted tasks
- EN: need to assess reliability across successive steps

## Keywords

WebArena · OSWorld · GAIA · tau-bench · AgentBench · task success rate

## How it works

- PL: Stan początkowy, cel i interfejs narzędzi tworzą zadanie wieloetapowe w izolowanym środowisku. Ocena sprawdza końcowy stan i czasem poprawność kroków, powtarzając próby przy kontrolowanej konfiguracji.
- EN: Initial states, goals and tool interfaces define multistep tasks in isolated environments. Evaluation checks final states and sometimes intermediate steps, repeating trials under controlled settings.

## Limits

- PL: Symulacja użytkownika i usług może upraszczać zadanie. Zmiany środowiska, losowość oraz różne limity czasu i wywołań narzędzi utrudniają uczciwe porównania.
- EN: Simulated users and services can simplify tasks. Environment changes, randomness and differing time or tool-call limits complicate fair comparisons.

## Key terms

- PL: **kryterium sukcesu**: Sprawdzalny warunek określający, czy agent osiągnął cel.
- PL: **budżet interakcji**: Limit kroków, czasu lub wywołań dostępnych w pojedynczym zadaniu.
- EN: **success criterion**: A verifiable condition determining whether an agent achieved its goal.
- EN: **interaction budget**: A limit on steps, time or calls available for one task.

## Know first

- [Ewaluacja RAG i agentów (RAG and agent evaluation)](https://aiatlasgraph.com/t/agenteval.md)
- [Narzędzia i integracje (Tool use and integration)](https://aiatlasgraph.com/t/tools.md)

## Examples

- PL: zadania przeglądarkowe · obsługa systemu operacyjnego · wieloetapowe użycie narzędzi · powtarzalność wykonania
- EN: browser tasks · operating-system interaction · multi-step tool use · execution reliability

## Related topics

Untyped, symmetric "see also" links.

- [Budżety czasu dla agentów (Time-budgeted agent control)](https://aiatlasgraph.com/t/agenttimebudget.md)
- [Ewaluacja RAG i agentów (RAG and agent evaluation)](https://aiatlasgraph.com/t/agenteval.md)

## Sources

- [Evaluation and Benchmarking of LLM Agents: A Survey](<https://arxiv.org/abs/2507.21504>) `agent-eval-survey-2025` · by Mahmoud Mohammadi, Yipeng Li, Jane Lo, Wendy Yip

---

AI Atlas revision 122 (2026-10-30) · HTML: https://aiatlasgraph.com/t/agentbench · index: https://aiatlasgraph.com/llms.txt · everything: https://aiatlasgraph.com/llms-full.txt · updated 2026-10-30