Your AI Agent Evaluation Is Lying to You: Why 10 Test Runs Prove Nothing

El contenido argumenta que 10 pruebas entre agentes de IA son insuficientes para sacar conclusiones válidas sobre el rendimiento, incluso con un empate de 5-5. Explica que la tasa de victorias tiene intervalos de confianza enormes con tamaños de muestra pequeños, introduciendo el intervalo de puntuación de Wilson como un límite razonable para resultados binarios.