Та же модель — 30% или 81%: IBM сравнила три agent harness на AppWorld
Та же модель — 30% или 81%: IBM сравнила три agent harness на AppWorld «Топовая» обвязка из каталога часто собрана под личного ассистента или длинное исследование — не под логин, чтение доков и листание страниц в нескольких сервисах подряд. В IBM Research прогнали CUGA, Hermes и Deep Agents на одной модели в AppWorld: меняли только обвязку. Hermes и Deep Agents не «слабые» — они просто не про такой формат. На тех же девяноста задачах выигрывает связка с декомпозицией шагов и проверкой кода до запуска; ассистентская срывается чаще. Если собираете агента под учёт клиентов и платежи — в Cursor, LangGraph или CUGA — сначала сверьте обвязку с типом работы, не с местом в списке «лучших». Иначе сравнение «одна модель, три обвязки» почти ничего не объяснит.