Новости

ARE-bench: Benchmarking Agents' Research Ability in Real-World Researcher Sessions and Workspaces

arXiv cs.AI · Опубликовано 10 ноября 2026 г. · 3 мин чтения

За 30 секунд

Что произошло: ARE-bench evaluates research agents on 75 real-world tasks from active researcher projects, measuring whether agents respect prior decisions and existing workspace state.
Почему это важно: Matters for engineers building or deploying research agents who need realistic assessment beyond clean benchmark environments.
На что обратить внимание: Top models pass only 66.2% of tasks; performance drops to 28-40% when workspace history and material requirements are checked, suggesting current benchmarks may overestimate capability.

Каждый разбирает, как работает техника, когда она оправдывает затраты и где ломается.

Один паттерн, один компромисс, одна история сбоя в продакшене. Короткий еженедельный брифинг для тех, кто строит агентные системы.

Одно письмо в неделю, отписка в один клик. Адрес используется только для рассылки брифинга.

Новости

arXiv cs.AI · Опубликовано 10 ноября 2026 г. · 3 мин чтения

Что произошло: ARE-bench evaluates research agents on 75 real-world tasks from active researcher projects, measuring whether agents respect prior decisions and existing workspace state.
Почему это важно: Matters for engineers building or deploying research agents who need realistic assessment beyond clean benchmark environments.
На что обратить внимание: Top models pass only 66.2% of tasks; performance drops to 28-40% when workspace history and material requirements are checked, suggesting current benchmarks may overestimate capability.

Каждый разбирает, как работает техника, когда она оправдывает затраты и где ломается.

Одно письмо в неделю, отписка в один клик. Адрес используется только для рассылки брифинга.