В Китае предложили пороговые показатели для оценки AI-агентов: выполнение 20 подзадач, работа с 60 агентами и использование 200 инструментов. Материал рассматривает, можно ли измерить возможности системы одним числом.
Автор также обсуждает роль бенчмарков и то, насколько они позволяют сопоставлять разные агентные системы. Подробности о разработчиках предложения, методике и конкретных результатах тестирования в исходном тексте не приводятся.
Пороговые показатели отражают попытку стандартизировать оценку AI-агентов, однако сами по себе не дают полной картины их практических возможностей. Для сравнения систем важны не только масштабы задач и число инструментов, но и качество выполнения.