Edit : 영어 단어 한국어로 대체

README.md

@@ -24,7 +24,7 @@ tags:
 AI 에이전트의 능력이 고도화되면서, 그 성능을 실제 환경과 유사한 조건에서 정밀하게 측정하는 것이 중요해졌습니다. 하지만 대부분의 벤치마크는 영어권 환경을 기준으로 설계되어, 한국의 특수한 사용 맥락을 반영하는 데 한계가 있었습니다.
 이러한 문제를 해결하기 위해, 한국 실사용 환경에 특화된 고품질 에이전트 벤치마크를 개발하였습니다.
 
-# Key Features ✨
+# Ko-AgentBench 핵심 특징 ✨
 **1. 단계별 태스크 설계**
 단순 도구 호출부터 장기적 맥락 능력, 강건성 처리 능력까지 에이전트의 능력을 7단계로 입체적으로 분석하였습니다.
 
@@ -52,20 +52,20 @@ dataset = load_dataset("Hugging-Face-KREW/Ko-AgentBench", data_files="L1.json")
 dataset = load_dataset("Hugging-Face-KREW/Ko-AgentBench", data_files="*.json")
 ```
 
-# Overview 
+# 데이터셋 개요 
 
 - 에이전트 벤치마크 설계를 위한 태스크 분류 체계 정의
 - 에이전트의 Tool calling 활용하는 과정에서 필요한 능력을 단계적으로 분리하여 평가할 수 있도록 설계
 
-## 범위
+## 데이터셋 범위
 
 - 평가 대상 : Open-weight sLLM(*supports tool calling), Commercial APIs
 - 평가 범위 : 평가 영역 : 단일턴(single-turn) 및 멀티턴(multi-turn) 대화 상황에서 Agent로써 Tool calling 수행 능력
 - 적용 API : 18가지 한국형 오픈API
 
-# Task Levels
+# 태스크 분류 단계
 
-## Single-Turn
+## 싱글턴
 
 **L1. (단일 도구 호출) Single Tool Call**
 - 목표: 가장 기본적인 API 호출 능력 검증
@@ -112,7 +112,7 @@ dataset = load_dataset("Hugging-Face-KREW/Ko-AgentBench", data_files="*.json")
     - 특정 API 오류 시, 동일 기능을 가진 대체 API 활용 가능 여부
 - 예시: “네이버 영화 API 호출 실패 시 → ‘API 호출 실패’ 보고 or 카카오 영화 API 대체 호출”
 
-## Multi-Turn
+## 멀티턴
 
 **L6 (효율적인 도구 활용) Efficient Tool Utilization**
 - 목표: 이전 Tool 결과를 효율적으로 재활용하는 능력 검증
@@ -134,14 +134,14 @@ dataset = load_dataset("Hugging-Face-KREW/Ko-AgentBench", data_files="*.json")
 
 
 
-## Links
+## 링크 🔗
 Ko-AgentBench에 대한 더 자세한 내용을 확인 하실 수 있습니다.
 - 🏆 [Live Leaderboard](https://huggingface.co/spaces/huggingface-KREW/Ko-AgentBench)
 - 📊 [Dataset](https://huggingface.co/datasets/huggingface-KREW/Ko-AgentBench)
 - 📝 [Github](https://github.com/Hugging-Face-KREW/Ko-AgentBench)
 
 
-## Contact
+## 문의 📧
 데이터셋 및 벤치마크에 대한 문의가 있으시다면 연락 주세요!
 
 Hugging Face KREW는 Hugging Face를 통해 인공지능을 깊이 이해하고, 오픈 소스에 기여하기 위해 노력하는 한국 비영리 리서치 조직입니다.

README_en.md

@@ -25,7 +25,7 @@ As AI agents become more sophisticated, it has become crucial to precisely measu
 
 To address this issue, we have developed a high-quality agent benchmark specialized for the Korean real-world usage environment.
 
-# Key Features ✨
+# Ko-AgentBench Key Features ✨
 **1. Step-by-step Task Design**
 We have comprehensively analyzed agent capabilities across 7 levels, from simple tool calls to long-term contextual abilities and robustness handling capabilities.
 
@@ -53,12 +53,12 @@ dataset = load_dataset("Hugging-Face-KREW/Ko-AgentBench", data_files="L1.json")
 dataset = load_dataset("Hugging-Face-KREW/Ko-AgentBench", data_files="*.json")
 ```
 
-# Overview
+# Dataset Overview
 
 - Define task classification system for agent benchmark design
 - Design to evaluate agent's tool calling capabilities in a step-by-step manner
 
-## Scope
+## Dataset Scope
 
 - Evaluation Target: Open-weight sLLM (supports tool calling), Commercial APIs
 - Evaluation Scope: Agent tool calling performance in single-turn and multi-turn conversation situations