Агент‑хarness CUGA от IBM повышает согласованность выполнения задач AppWorld с GLM-5.3-flash по сравнению с Hermes и Deep Agents
Исследователи прогнали один и тот же открытый модельный вес (GLM-5.3-flash) через три агентных harness — CUGA от IBM, Hermes (Nous Research) и Deep Agents (LangChain) — на 90 задачах AppWorld; успешность выполнения варьировала примерно от 30% до 81%, а показатель согласованности сценариев (SGC) был выше у CUGA (20 сценариев) против Hermes (8) и Deep Agents (2). CUGA — open-source решение для корпоративного деплоя (включая суверенные и air-gapped среды) с рантайм-слоем политик (описан в статье ACM CAIS 2026), который принудительно выполняет одобрения и ToolGuards вместо полагания на подсказки; авторы отмечают ограничения эксперимента: один бенчмарк, разные настройки и отсутствие прогонов с включёнными политиками в 90‑задачной части.