Amazon Science сообщил о SOP-Bench — расширяемой системе оценки ИИ-агентов на реальных бизнес-процедурах. В синопсисе проекта говорится, что она проверяет полный набор способностей, необходимых для успешного завершения процедуры, а не отдельные косвенные задачи.

Значение подхода — в более целостной проверке выполнения рабочих процессов. При этом источник не раскрывает состав тестов, результаты сравнения или перечень охваченных процедур, поэтому масштаб и практическая ценность разработки пока остаются неясными.