מבחן הבוטים הגדול: הרמס מול גרוק בוט. מי עומד במשימה?

נתתי ל־Hermes Agent ול־Grok Bot את אותם חומרי מקור בעברית ו־3 משימות שבניתי לבדיקה: לבחור ספק, להכין פגישה ולעדכן מערכת משימות. לכל משימה הכנתי גרסה רגילה וגרסה עם קושי נוסף, וחזרתי על כל אחת 3 פעמים בכל סוכן. בסך הכול: 36 ריצות.

שניהם עברו את הדרישות הקריטיות בכל הריצות. אבל זה לא אומר שכל התשובות היו מדויקות: אצל הרמס היה חסר הסבר שביקשתי, ואצל גרוק הופיעו קביעות שלא נתמכו במקור. דווקא כשיצירת משימה החזירה שגיאה אחרי שהמידע כבר נשמר, שניהם בדקו מה קרה ונמנעו מכפילות.

בסרטון אני מראה את התשובות, את ההצלחות ואת הטעויות. זה ניסוי מוגבל במשימות מוגדרות, לא דירוג אמינות כללי ולא תחרות מהירות.