O primeiro teste de referência sistemático para agentes de IA foi lançado, e os resultados de uma avaliação abrangente de 25 modelos de linguagem diferentes mostram que o GPT-4 está em uma classe à parte. Os principais modelos de linguagem comerciais se destacaram em ambientes complexos, apresentando uma vantagem significativa sobre os modelos de código aberto. A equipe de pesquisa recomenda melhorar ainda mais a capacidade de aprendizado dos modelos de código aberto.