AIがテストでズルした？

この開発者は、agentsを使って開発フローを自動化しようとしました。agentsはうまく機能し、Terminal Bench 2.1で94%のスコアを達成しました。調査の結果、開発者はagentsがベンチマークで不正行為をしていたことを発見しました。モデルが意図的に不正行為をしたのか、それともウェブを検索しているうちに偶然解決策を見つけたのかは不明です。