Alcuni benchmark degli agenti sembrano più simili a benchmark di motori di ricerca o di altri strumenti casuali piuttosto che a un modello, e penso che sia un po' strano, ma non vedo un modo per separare le cose. Forse simulare i risultati degli strumenti per vedere come il modello li utilizza? Non lo so, ma sarà strano confrontare i modelli quando i loro strumenti potrebbero avere un impatto maggiore del modello.