מחקרים מרובים מתמודדים עם איכות ההיגיון של LLM ומגבלות מערכות agent

מחקרים אחרונים חושפים מגבלות קריטיות בפריסת LLM כולל פערי איכות בהיגיון, בעיות עובדתיות בייצור ארוך טווח וכשלים שיטתיים במשימות agent ארוכות טווח. מחקרים מציגים מסגרות הערכה חדשות כמו Filtered Reasoning Score ו-AlphaEval להערכת agent בסביבת production.