Cet article présente AFABench, le premier framework de référence pour l'évaluation systématique des méthodes d'acquisition active de caractéristiques (AFA). L'AFA acquiert sélectivement des caractéristiques à partir d'un sous-ensemble d'instances de données, en cherchant à trouver un compromis entre performances prédictives et coût d'acquisition. AFABench englobe une variété d'ensembles de données synthétiques et réelles, prend en charge diverses politiques d'acquisition et offre une conception modulaire facilitant l'intégration de nouvelles méthodes et tâches. Nous implémentons et évaluons des algorithmes représentatifs, notamment des approches statiques, gloutonnes et basées sur l'apprentissage par renforcement, et présentons AFAContext, un nouvel ensemble de données synthétiques conçu pour mettre en évidence les limites de la sélection gloutonne. Les résultats révèlent les compromis clés entre les différentes stratégies d'AFA et fournissent des informations exploitables pour les recherches futures. Le code de référence est disponible sur GitHub.
