Como agentes de IA quase usados no mundo real, como sabemos o que eles podem realmente fazer? Benchmarks confiáveis são críticos, mas benchmarks agenciais estão quebrados! Exemplo: WebArena marca "45+8 minutos" em uma tarefa de cálculo de duração como correta (resposta real: "63 minutos"). Outros benchmarks estimam erroneamente a competência do agente em 1,6-100%. Por que os fundamentos de avaliação para sistemas agenciais são frágeis? Veja abaixo o tópico e os links 1/8