Скачать или смотреть APEX-Агенты

Исследователи представили бенчмарк APEX-Agents для оценки способности ИИ-агентов выполнять сложные профессиональные задачи, используемые в таких областях, как инвестиционный банкинг, управленческое консультирование и юриспруденция. Этот тест был разработан экспертами отрасли, которые создали реалистичные сценарии, в которых ИИ должен использовать различные инструменты и файлы для выполнения работы, которая обычно занимает у человека от одного до двух часов. В исследовании были протестированы восемь различных моделей ИИ, и результаты показали, что Gemini 3 Flash показала наилучшие результаты с показателем успешности 24%, за ней следует GPT-5.2. Несмотря на эти достижения, низкие показатели успешности указывают на то, что, хотя ИИ-агенты становятся все более способными, они все еще недостаточно стабильны, чтобы надежно справляться со сложной повседневной работой профессионалов-людей.

https://arxiv.org/pdf/2601.14242
https://huggingface.co/datasets/merco...
https://github.com/Mercor-Intelligenc...