FM-Bench pone a prueba agentes en 20 años de gestión futbolística

FM-Bench es un nuevo Football Management Benchmark diseñado para evaluar si los agentes basados en modelos de lenguaje pueden sostener la toma de decisiones a largo plazo. En el benchmark, un agente LLM dirige un club de fútbol durante 20 años dentro del juego usando 26 herramientas en aproximadamente 340 a 400 puntos de decisión, con resultados puntuados por un motor determinista en lugar de un juez LLM o un evaluador humano. La configuración reportada incluye una pista individual con 15 modelos de frontera frente a un mundo guionizado y una pista Arena que sitúa modelos y un referente guionizado en un mundo compartido de 20 años.