A Carnegie Mellon Egyetem és az amerikai energiaügyi nemzeti laborok kutatói „Into the Unknown” nevű mércemével tesztelték, hogy kilenc különböző AI-ügynök képes-e nyitott, még meg nem válaszolt tudományos kérdéseken önálló utókövetési kutat&a
- A kilenc tesztelt ügynök egyik beadott munkája sem teljesítette egyszerre mindhárom kritériumot: becsületesség, teljesség és a szakértők mércéje.
- A beadások többsége átment a szakértői ellenőrzésen; a hibák főleg formai hiányosságok voltak.
- A nyílt modellek (pl. Deepseek, Kimi, GLM) jobban teljesítettek, mint a zárt, nagyobb modellek.
- Minél tovább futott egy ügynök, annál jobb és hitelesebb lett a végeredmény.