Какие фреймворки для бенчмаркинга кастомных агентов на рассуждения и решение задач?

Пользователь Reddit ищет общепринятые бенчмарки для оценки кастомных AI-агентов, особенно в части логического мышления и решения задач. Обсуждение касается инструментов валидации под-агентов, поддерживающих программирование и отладку. Тема актуальна для разработчиков, внедряющих автономных агентов в рабочие процессы.