Factory научила Droid запускать сотни инструментов одним скриптом
Droid 1.0 по умолчанию использует программные вызовы инструментов и заявляет лучшие результаты Terminal-Bench при меньшей цене.
Теги
Бенчмарки
EngiWorld показывает, что AI-агенты пока слабы в инженерном софте
Бенчмарк проверяет CAD, симуляции, производство, BIM, электронику и 3D-задачи; лучший протестированный агент набрал только 44,3 балла.
Google DeepMind тестирует double-blind проверки Gemini
Пилотный подход скрывает и benchmark-промпты, и веса модели, чтобы внешние safety-тесты было сложнее заранее подстроить.
