Hugging Face が The Open Agent Leaderboard をリリース ── エージェントの「汎用性」と「コスト」を同時に測る新ベンチマーク
AIエージェントの評価って、これまで中身のLLMのスコアばかりが注目されてきた。でも実際にエージェントを運用するとなると、ツールの使い方やプランニング、エラー復旧まで含めた「システム全体」の出来が効いてくる。Hugging FaceがIBM Researchと協力して公開したこのベンチマークは、まさにその盲点を突いてくる。
▸何が変わったのか
従来のベンチマークは「どのモデルがどのタスクで何点取ったか」を報告するだけだった。Open Agent Leaderboardはエージェントシステム全体を評価対象にする。品質とコストの両方をレポートするため、「動くけど高すぎて使えない」ケースも浮き彫りになる。6つのベンチマーク（SWE-Bench Verified、BrowseComp+を含む）を統合し、コーディング、カスタマーサービス、技術サポート、パーソナルアシスタンス、研究の多様なシナリオをカバー。評価の再現性を担保するため、Exgentic frameworkと論文も同時公開。
◈前モデル / 競合との比較
モデル単体の性能を測る従来のアプローチとは異なり、エージェントシステム全体（ツール設計、プランニング、メモリ、エラー処理）を評価の対象にする点が明確な差。同じモデルでもツールや設定が変われば結果が大きく変わる事実を可視化できるのは、これまでになかった視点。
◈技術背景と意義
エージェントの「汎用性」を連続的なスペクトラムとして捉えるのがこのベンチマークの肝。特定の業務に特化したエージェントは作りやすいけど、未知の環境に放り込んでも動くかどうかは別問題。ツールもルールも制約も異なる複数のタスクを乗り越えられるか、しかも合理的なコストで──そこを一気に測れる仕組みになっている。
▸こんな人・用途に
複数業務でエージェントを横断的に導入したい企業の技術選定（汎用性とコストのバランスを比較できる）。自作エージェントフレームワークの開発者（他システムとの客観的な差分確認に）。
SOURCE: Hugging Face (2026-05-18)
