新论文《Towards a Science of AI Agent Reliability》：14个模型实测显示 Agent 可靠性进步有限

Sayash Kapoor、Arvind Narayanan 等人发布 66 页论文《Towards a Science of AI Agent Reliability》，已上传 arXiv，将可靠性分解为 12 个指标，并在 GAIA 和 TauBench 两个基准上测试了来自 OpenAI、Google、Anthropic 的 14 个模型，共执行 500 次基准运行。