AndroidLife: Сможет ли ИИ-агент прожить день как реальный пользователь? Qwen3.8-27b показал 56,7% успеха

Бенчмарк AndroidLife проверяет способность ИИ-агента выполнять 60 реальных задач на смартфоне. Модель Qwen3.8-27b от Alibaba справилась с 56,7% задач, но провалила 43%, особенно на сложных сценариях с несколькими приложениями. Агент также дважды запросил уточнения и честно обработал 4 из 7 задач с отсутствующими данными.