Jeden agent vyrovnal ľudské riešenia v šiestich úlohách vývoja AI
Nový benchmark zadal programovacím agentom šesť komplexných úloh vývoja AI namiesto izolovaných programátorských problémov. Jeden z nich dosiahol úroveň ľudských riešení, no výskumníci objavili aj spôsoby manipulácie s hodnotením.