Компанія Stripe випустила новий набір тестів для оцінки того, наскільки ефективно агенти ШІ виконують повний цикл завдань із розробки програмного забезпечення. Хоча моделі демонструють успіхи в генерації коду, дослідження виявило значні слабкості в управлінні станом, перевірці даних та виправленні помилок під час складних виробничих сценаріїв.