AOS-Bench: бенчмарк для LLM‑агентов, управляющих динамическими задачами с ограниченными ресурсами
Статья (arXiv:2610.33178v1) представляет AOS-Bench — бенчмарк для оценки LLM‑агентов как диспетчеров рабочих нагрузок: проверяемые задачи приходят по потоку и должны выполняться в рамках общих ограничений CPU и памяти. Эксперименты с пятью парами моделей и окружений показывают заметное ухудшение успеха при потоковой подаче по сравнению с изолированными задачами, связывают большую часть разрыва с приёмом и распределением задач и отмечают, что простая политика фиксированной параллельности близка к лучшей управляемой политике при низкой медианной загрузке CPU.