FDE-Bench: бенчмарк для сквозной доставки по недоопределённым бизнес‑запросам (arXiv:2610.14539v1)
FDE-Bench — новый бенчмарк, собранный из 49 реальных клиентских проектов, оценивающий агентов по сквозным задачам, требующим интерактивного уточнения требований и итеративной оптимизации (случаи охватывают комбинаторную оптимизацию и ML). При тестировании 18 конфигураций агентов наилучший средний показатель доставки — 0.5510 (эталон FDE = 1.0), максимальная доля успеха доставки — 6.12%; статья arXiv:2610.14539v1 и материалы доступны по ссылке выше.