Сравнение надежности 8 ИИ-агентов в задачах медиабаинга: два завершили все попытки, два — ни одной

В рамках бенчмарка Concourse Bench v1 оценивалась способность ИИ-агентов выполнять многошаговую задачу симулированной закупки медиа. Из восьми протестированных моделей две успешно завершили все 12 попыток, тогда как две другие не справились ни разу, что подчеркивает критическую важность надежности планирования и следования инструкциям для сложных задач.