Rohan Paul@rohanpaul_aiHướng dẫnĐiểm AI 35/100
Độ tin cậy của AI tác tử dài hạn vẫn thấp: WeaveBench cho thấy tỷ lệ thành công chỉ đạt 41,2%
Long-horizon agent reliability has not arrived yet with better models. On WeaveBench's 114 hybrid …
DịchDù các mô hình AI ngày càng mạnh, khả năng thực hiện nhiệm vụ dài hạn vẫn hạn chế với tỷ lệ thành công chỉ 41,2% trên WeaveBench. Nghiên cứu chỉ ra rằng độ tin cậy phụ thuộc nhiều vào hệ thống kiểm soát ngoại vi (harness) hơn là bản thân mô hình.
