Plurai, otonom arabaların yollara çıkmasına yardımcı olan yaklaşımın aynısını kullanarak yapay zeka ajanlarının daha iyi çalışmasına yardımcı olmak istiyor
Özgün başlık: Plurai wants to help AI agents work better using the same approach that helped get self-driving cars to roads
Araba sürmek için eğitilmiş uçtan uca modeller gibi, yapay zeka ajanları da öngörülemeyen ortamlarda çalışan olasılıksal sistemlerdir.
Yapay zeka ajanları çok popüler ama tedarikçilerinin inandırdığı kadar yetenekli değiller.
Karmaşık işlerle görevlendirilen acenteleri kıyaslama çabaları, bunların genellikle yakın denetim olmadan çalışacak kadar güvenilir olmadıklarını gösteriyor. LiveBench 2.0, Claude Fable 5.2 ve ChatGPT-6 Astra'nın 100 görevden sırasıyla 82,9 ve 75,6'da başarılı olduğunu gösteriyor ve AI altyapı şirketi EON'un aracıları simüle edilmiş bir kurumsal ortamda test etme çabası, test edilen en başarılı model olan Claude Opus 4.8'in görevleri %76,8 doğrulukla gerçekleştirdiğini buldu.
Like the end-to-end models trained to drive cars, AI agents are probabilistic systems operating in unpredictable environments.
AI agents are all the rage, but they re not quite as capable as their purveyors would have you believe.
Efforts to benchmark agents tasked with complex work show that they aren t typically reliable enough to function without close supervision. LiveBench 2.0 shows Claude Fable 5.2 and ChatGPT-6 Astra succeeding on 82.9 and 75.6 out of 100 tasks, respectively, and an effort by the AI infrastructure company EON to test agents in a simulated corporate environment found the most successful model tested, Claude Opus 4.8, performed tasks at 76.8% accuracy.
Al igual que los modelos integrales entrenados para conducir automóviles, los agentes de IA son sistemas probabilísticos que operan en entornos impredecibles.
Los agentes de IA están de moda, pero no son tan capaces como sus proveedores quieren hacernos creer.
Los esfuerzos por comparar a los agentes encargados de trabajos complejos muestran que normalmente no son lo suficientemente confiables para funcionar sin una estrecha supervisión. LiveBench 2.0 muestra que Claude Fable 5.2 y ChatGPT-6 Astra tuvieron éxito en 82,9 y 75,6 de 100 tareas, respectivamente, y un esfuerzo de la empresa de infraestructura de inteligencia artificial EON para probar agentes en un entorno corporativo simulado encontró que el modelo probado más exitoso, Claude Opus 4.8, realizó tareas con una precisión del 76,8%.
Подобно комплексным моделям, обученным вождению автомобилей, агенты ИИ представляют собой вероятностные системы, работающие в непредсказуемых условиях.
Агенты искусственного интеллекта сейчас в моде, но они не настолько эффективны, как пытаются убедить вас их поставщики.
Усилия по сравнительному анализу агентов, которым поручена сложная работа, показывают, что они обычно недостаточно надежны, чтобы действовать без пристального надзора. LiveBench 2.0 показывает, что Claude Fable 5.2 и ChatGPT-6 Astra успешно справились с 82,9 и 75,6 из 100 задач соответственно, а попытка компании EON, занимающейся инфраструктурой искусственного интеллекта, протестировать агентов в моделируемой корпоративной среде показала, что наиболее успешная протестированная модель, Claude Opus 4.8, выполнила задачи с точностью 76,8%.