However, existing evaluations fall short: they lack flexible tool integration, test visual and search tools separately, and evaluate primarily by final answers.
大多数人认为现有的多模态评估方法已经足够全面，能够有效衡量AI代理的能力。但作者指出这些评估方法存在根本性缺陷：缺乏工具集成能力、单独测试不同工具、仅关注最终答案而非过程。这一观点挑战了当前AI评估领域的共识，暗示我们需要重新思考如何真正衡量AI代理的能力。