Có một cơ hội thực sự dành cho một nhà nghiên cứu AI đầy tham vọng để:

- tạo ra một khung đánh giá để kiểm tra các bộ dụng cụ agent như Openclaw, Hermes và tất cả các “claws” khác
- mở rộng đánh giá sang các công cụ / cấu hình khác nhau để chúng ta biết hiệu suất thay đổi như thế nào với các thiết lập khác nhau
- thực hiện các đánh giá toàn diện trên các mô hình khác nhau bao gồm cả local và API
- xây dựng bộ chuẩn và công bố kết quả, sau đó cập nhật liên tục khi các agent và mô hình phát triển
Cơ hội này là để trở thành nguồn tham khảo chính cho các chuẩn đánh giá agent khách quan
Có thể ai đó đã làm điều này rồi và tôi chưa biết? Không chỉ so sánh đơn lẻ mà là các bài kiểm tra và đánh giá tiêu chuẩn thực sự để chúng ta có thể so sánh kết quả một cách chính xác