एक ही काम बीस बार कराने पर सबसे अच्छे एजेंट का अंक तिहाई गिरा।
Thinkingbox नाम के नए पैमाने ने 507 कामकाजी प्रक्रियाएँ साफ़ शुरुआत से बीस-बीस बार चलाईं। Claude Opus 5 ने एक बार में 66.5 प्रतिशत काम किए, बीसों बार में 47.5 प्रतिशत। Kimi K3 ज़्यादा गिरा, 57.4 से 17.6 प्रतिशत पर; असली कमी भरोसे की है।
यह क्यों मायने रखता हैदिखावे में एजेंट एक बार सफल होता है, आपके काम में उसे हर बार चाहिए। यह पैमाना एजेंट की रिपोर्ट नहीं, उसके छोड़े डेटाबेस को जाँचता है।
ऐप में पढ़ें — मुफ़्त, 9 भाषाएँ
संबंधित खबरें
एक मॉडल उस तरीके के बिना सीखा जिससे हर AI सीखता है।2026-10-06TikTok ने देखे जा रहे वीडियो के अंदर शॉपिंग बॉट रख दिया।
2026-10-06विकिमीडिया को मई की गड़बड़ी में OpenAI एजेंट पर शक है।
2026-10-06मेटा का सहायक आपके हर परिचित की घंटेवार फ़ाइल रखता है।
2026-10-05दो सीनेटर एआई एजेंट हैक पर मालिकों को जेल भेजना चाहते हैं।
2026-10-05