في عالم الذكاء الاصطناعي، حيث تتطور وكلاء اللغة الضخمة (Large Language Models) بسرعة، أصبح من الضروري تقييم أدائهم في ظروف تعكس الواقع بدلاً من البيئات المثالية المسهلة. وهنا يأتي دور AgentGym2، الإطار التقييمي الجديد الذي يأخذ التحديات الحقيقية بعين الاعتبار.

بغض النظر عن مدى قوة وكالات الذكاء الاصطناعي، لا تزال تمتلك فجوة كبيرة عند تطبيقها في بيئات معقدة. العديد من المعايير الحالية تقوم بتقييمهم في إعدادات مبسطة، حيث تُغفل الخطوات الحيوية، ويتم افتراض مدخلات نظيفة ومحددة بالكامل. على النقيض من ذلك، يوفر AgentGym2 سيناريوهات قائمة على متطلبات العمل الحقيقية.

يمتاز هذا الإطار الجديد بقدرة على قياس كيفية تنفيذ الوكلاء للإجراءات الكاملة، واستكشاف أدوات جديدة، وتكوين أدوات لمهام غير مرئية، بالإضافة إلى تقييم قوتهم في مواجهة المعلومات غير المقررة والمشوشة. وقد أظهرت التجارب على 15 نموذجًا مملوكًا ومفتوح المصدر أن النماذج الرائدة مثل Gemini وGPT-5 تواجه صعوبات ملحوظة في هذا الإطار، مما يُبرز الفجوة بين قدرات الوكلاء الحالية ومتطلبات التطبيقات الواقعية.

توضح هذه التطورات أن الأداء العالي في البيئات المثالية لا يترجم بالضرورة إلى نجاح في العالم الحقيقي، مما يستدعي المزيد من التطوير والبحث في هذا المجال.