Pular para o conteúdo

Benchmarks

Avaliamos as ferramentas econométricas e o agente do MAGI contra benchmarks públicos e artigos publicados. Cada número leva à execução de origem, disponível para download.

O que é avaliado

Duas camadas: as ferramentas econométricas (chamadas na especificação de referência) e o agente analista (que escolhe ferramentas e argumentos e cita os números calculados).

Verificabilidade
Cada pacote inclui o verify_bundle.py que vai dentro dele (só biblioteca padrão do Python) para conferir hashes, anexos e recalcular o resumo a partir dos resultados.
Limites
  • O agente responde apenas por chamadas de ferramentas registradas; lacunas de cobertura são informadas.
  • Os benchmarks externos são públicos; eventual presença nos dados de treino é informada por suíte.

Como ler os números

Cada métrica mede uma etapa distinta e aponta para a execução de origem.

Cobertura das ferramentas
itens do benchmark atendidos pelas ferramentas registradas.
Cobertura alcançável pelo agente
itens resolvíveis pelos dados recebidos pelo agente com as ferramentas atuais.
Fidelidade de implementação
ferramenta comparada a uma implementação independente da mesma especificação.
Fidelidade de replicação
ferramenta na especificação dos autores contra o valor publicado no artigo ou gabarito.
Concordância com o caminho de referência
a mesma conta quando o caminho foi montado pelo MAGI a partir dos metadados.
Acurácia do analista
taxa de acerto do modelo ao vivo, bruta e condicionada ao acerto em T1.
Métrica nativa
métrica oficial de cada benchmark.
Linhas de base triviais
chute constante zero, regressão simples sem controles (ingênua) e roteador por regras.

Por suíte

Números de cada suíte, cada um com um link para a execução de onde veio
SuíteCobertura (ferramenta · agente)Fidelidade (implementação · replicação) · concordância do caminhoAcurácia do analistaDado T1Métrica nativaLinhas de base (zero · ingênua · regras)ComparadorOutro conjunto de itensLicençaExclusões
causcibench_real
Cobertura das ferramentas: 64%112/175v0.1.2 da versão 0.1.2, não a atual
Cobertura alcançável pelo agente: 44%77/175v0.1.2 da versão 0.1.2, não a atual
Fidelidade de implementação: —
Fidelidade de replicação: —
Concordância com o caminho de referência: 45%50/112v0.1.2 da versão 0.1.2, não a atual
———
Linha de base zero: 0%n=153v0.1.2 da versão 0.1.2, não a atual
Caminho ingênuo: 7%n=153 (3%–11%)v0.1.2 da versão 0.1.2, não a atual
sem os 2 gabaritos defeituosos: 7%
Roteador por regras: 0%n=153 (0%–0%)v0.1.2 da versão 0.1.2, não a atual
sem os 2 gabaritos defeituosos: 0%
nenhum no mesmo conjunto de itens
+31 referências publicadas
Calculado sobre outros itens: mostrado à parte, nunca como diferença.
Benchmark code MIT (CauSciBench README); each dataset keeps its own licence as data/README.md…
Benchmark code MIT (CauSciBench README); each dataset keeps its own licence as data/README.md lists it (CC0 1.0, MIT, CC BY 4.0, CC BY-NC 2.0, GPL 3.0 or none stated), recorded per item; the CSVs are fetched at the pinned revision, never hosted
22 itens excluídos
  • 6: no_tool:matching
  • 29: no_tool:matching
  • 41: size: CSV of 89293261 bytes exceeds 25 MB
  • 45: size: CSV of 139174766 bytes exceeds 25 MB
  • 51: size: CSV of 31097746 bytes exceeds 25 MB
  • 59: no_tool:matching
  • 60: no_tool:matching
  • 61: no_tool:matching
  • 62: no_tool:matching
  • 63: no_tool:matching
  • 64: no_tool:matching
  • 65: no_tool:matching
  • 66: no_tool:matching
  • 67: no_tool:matching
  • 68: no_tool:glm
  • 70: no_tool:glm
  • 90: no_tool:glm
  • 92: size: CSV of 370826528 bytes exceeds 25 MB
  • 94: no_tool:glm
  • 95: no_tool:glm
  • 96: no_tool:glm
  • 111: size: CSV of 50662544 bytes exceeds 25 MB
closed_form
Cobertura das ferramentas: —
Cobertura alcançável pelo agente: —
Fidelidade de implementação: —
Fidelidade de replicação: —
Acurácia das ferramentas contra os valores esperados: 100%48/48 (93%–100%)v0.1.0 da versão 0.1.0, não a atual
———
Linha de base zero: —
Caminho ingênuo: —
Roteador por regras: —
nenhum no mesmo conjunto de itensnenhumGenerated at evaluation time; the published figures are cited, not copied datanenhuma
crb_papers
Cobertura das ferramentas: 66%79/120v0.1.2 da versão 0.1.2, não a atual
Cobertura alcançável pelo agente: 0%0/120v0.1.2 da versão 0.1.2, não a atual
Fidelidade de implementação: —
Fidelidade de replicação: 88%139/158v0.1.2 da versão 0.1.2, não a atual
———
Linha de base zero: 40%n=115v0.1.2 da versão 0.1.2, não a atual
Caminho ingênuo: 41%n=115 (31%–51%)v0.1.2 da versão 0.1.2, não a atual
sem o gabarito defeituoso: 41%
Roteador por regras: 0%n=115 (0%–0%)v0.1.2 da versão 0.1.2, não a atual
sem o gabarito defeituoso: 0%
nenhum no mesmo conjunto de itens
+9 referências publicadas
0,597 identification_spec_correct (Difference-in-Differences) · N = 67
0,114 identification_spec_correct (Regression Discontinuity) · N = 44
Calculado sobre outros itens: mostrado à parte, nunca como diferença.
MIT (benchmark) plus each dataset's own terms; data files fetched, never hosted
5 itens excluídos
  • 42: data CSV data/ds_0022/data/data.csv is 61066788 bytes, over the 25 MiB cap of the selection rule
  • 43: data CSV data/ds_0022/data/data.csv is 61066788 bytes, over the 25 MiB cap of the selection rule
  • 55: data CSV data/ds_0029/data/data.csv is 68073883 bytes, over the 25 MiB cap of the selection rule
  • 56: data CSV data/ds_0029/data/data.csv is 68073883 bytes, over the 25 MiB cap of the selection rule
  • 65: data CSV data/ds_0035/data/data.csv is 192311317 bytes, over the 25 MiB cap of the selection rule
dgp
Cobertura das ferramentas: —
Cobertura alcançável pelo agente: —
Fidelidade de implementação: —
Fidelidade de replicação: —
Acurácia das ferramentas contra os valores esperados: 100%12/12 (76%–100%)
———
Linha de base zero: —
Caminho ingênuo: —
Roteador por regras: —
nenhum no mesmo conjunto de itensnenhumGenerated at evaluation time (magi_bench.generators)nenhuma
e2e_memo
Cobertura das ferramentas: —
Cobertura alcançável pelo agente: —
Fidelidade de implementação: —
Fidelidade de replicação: —
Taxa de aprovação do protocolo: 100%7/7 (65%–100%)v0.1.0 da versão 0.1.0, não a atual
———
Linha de base zero: —
Caminho ingênuo: —
Roteador por regras: —
nenhum no mesmo conjunto de itensnenhuminternal; the bills are validation texts written for MAGInenhuma
nist_anova
Cobertura das ferramentas: 100%11/11v0.1.1 da versão 0.1.1, não a atual
Cobertura alcançável pelo agente: 100%11/11v0.1.1 da versão 0.1.1, não a atual
Fidelidade de implementação: —
Fidelidade de replicação: —
Concordância com o caminho de referência: 73%16/22v0.1.1 da versão 0.1.1, não a atual
Acurácia das ferramentas contra os valores esperados: 73%8/11 (43%–90%)v0.1.1 da versão 0.1.1, não a atual
  • agente (T2) 73%n=11 (43%–90%)v0.1.1 da versão 0.1.1, não a atual
T2 e T3 aparecem separados, nunca somados. T3 pontua o desenho; a estimativa é registrada.
gemini-3.8-flash
——
Linha de base zero: —
Caminho ingênuo: —
Roteador por regras:
  • agente (T2) 0%n=11 (0%–26%)v0.1.1 da versão 0.1.1, não a atual
nenhum no mesmo conjunto de itensnenhum
Public domain (US Government work, NIST/ITL StRD); files fetched from commit- or…
Public domain (US Government work, NIST/ITL StRD); files fetched from commit- or timestamp-pinned mirrors with sha256, never committed
nenhuma
nist_univariate
Cobertura das ferramentas: 100%9/9v0.1.0 da versão 0.1.0, não a atual
Cobertura alcançável pelo agente: 100%9/9v0.1.0 da versão 0.1.0, não a atual
Fidelidade de implementação: —
Fidelidade de replicação: —
Concordância com o caminho de referência: 100%36/36v0.1.0 da versão 0.1.0, não a atual
Acurácia das ferramentas contra os valores esperados: 100%9/9 (70%–100%)v0.1.0 da versão 0.1.0, não a atual
  • agente (T2) 89%n=9 (57%–98%)v0.1.0 da versão 0.1.0, não a atual
T2 e T3 aparecem separados, nunca somados. T3 pontua o desenho; a estimativa é registrada.
gemini-3.8-flash
——
Linha de base zero: —
Caminho ingênuo: —
Roteador por regras:
  • agente (T2) 0%n=9 (0%–30%)v0.1.0 da versão 0.1.0, não a atual
nenhum no mesmo conjunto de itensnenhum
Public domain (US Government work, NIST/ITL StRD); files fetched from commit- or…
Public domain (US Government work, NIST/ITL StRD); files fetched from commit- or timestamp-pinned mirrors with sha256, never committed
nenhuma
official
Cobertura das ferramentas: —
Cobertura alcançável pelo agente: —
Fidelidade de implementação: —
Fidelidade de replicação: —
Acurácia das ferramentas contra os valores esperados: 86%6/7 (49%–97%) · 4 puladas
———
Linha de base zero: —
Caminho ingênuo: —
Roteador por regras: —
nenhum no mesmo conjunto de itensnenhumPublic statistics; PNADc and POF microdata come from magi_data's local cache and are never downloaded herenenhuma
paper_repro
Cobertura das ferramentas: 100%56/56(por construção)v0.1.1 da versão 0.1.1, não a atual
Cobertura alcançável pelo agente: 98%55/56(por construção)v0.1.1 da versão 0.1.1, não a atual
Fidelidade de implementação: 100%153/153v0.1.1 da versão 0.1.1, não a atual
Fidelidade de replicação: 70%101/144v0.1.1 da versão 0.1.1, não a atual
Acurácia das ferramentas contra os valores esperados: 100%56/56 (100%–100%)v0.1.1 da versão 0.1.1, não a atual
  • agente (T2) 87%n=55 (76%–97%)v0.1.1 da versão 0.1.1, não a atual
  • desenho (T3) 88%n=42 (78%–97%)v0.1.1 da versão 0.1.1, não a atual
T2 e T3 aparecem separados, nunca somados. T3 pontua o desenho; a estimativa é registrada.
gemini-3.8-flash
87%48/55v0.1.1 da versão 0.1.1, não a atual
any_cited_would_pass 0,245283n=153v0.1.1 da versão 0.1.1, não a atual
Linha de base zero: 0%n=153v0.1.1 da versão 0.1.1, não a atual
Caminho ingênuo: —
Roteador por regras:
  • agente (T2) 0%n=55 (0%–0%)v0.1.1 da versão 0.1.1, não a atual
  • desenho (T3) 0%n=42 (0%–0%)v0.1.1 da versão 0.1.1, não a atual
nenhum no mesmo conjunto de itensnenhum
Datasets are fetched, never hosted: each keeps its publisher's terms (the authors' pages, the…
Datasets are fetched, never hosted: each keeps its publisher's terms (the authors' pages, the Econometric Society's supplements). Bundles hold digests, tool results and short attributed excerpts only.
nenhuma
qrdata_socsci
Cobertura das ferramentas: 32%19/59v0.1.2 da versão 0.1.2, não a atual
Cobertura alcançável pelo agente: 12%7/59v0.1.2 da versão 0.1.2, não a atual
Fidelidade de implementação: —
Fidelidade de replicação: —
Concordância com o caminho de referência: 89%17/19v0.1.2 da versão 0.1.2, não a atual
———
Linha de base zero: 0%n=59v0.1.2 da versão 0.1.2, não a atual
Caminho ingênuo: 3%n=59 (0%–9%)v0.1.2 da versão 0.1.2, não a atual
sem os 7 gabaritos defeituosos: 4%
Roteador por regras: 0%n=59 (0%–0%)v0.1.2 da versão 0.1.2, não a atual
sem os 7 gabaritos defeituosos: 0%
nenhum no mesmo conjunto de itens
Calculado sobre outros itens: mostrado à parte, nunca como diferença.
CC BY-NC 4.0 (QRData); question text quoted with attribution, data files fetched, never hostednenhuma
strd
Cobertura das ferramentas: —
Cobertura alcançável pelo agente: —
Fidelidade de implementação: —
Fidelidade de replicação: —
Acurácia das ferramentas contra os valores esperados: 100%20/20 (84%–100%)
———
Linha de base zero: —
Caminho ingênuo: —
Roteador por regras: —
nenhum no mesmo conjunto de itensnenhumPublic domain (US Government work, NIST); files committed under suites/data/strdnenhuma
tool_selection
Cobertura das ferramentas: —
Cobertura alcançável pelo agente: —
Fidelidade de implementação: —
Fidelidade de replicação: —
———
Linha de base zero: —
Caminho ingênuo: —
Roteador por regras: 94%n=70 (86%–98%)
nenhum no mesmo conjunto de itensnenhuminternalnenhuma

Registro de execuções

Execuções mais recentes de cada suíte de benchmark.

Cadeia do registro íntegra: 62 eventos, cada um com o sha256 do anterior.

Todas as execuções registradas, da mais recente à mais antiga
DataExecuçãoSituaçãoCadeiaCommitAgenteModeloTaxa de acerto ± IC 95%TokensCustoResumo (sha256 de SHA256SUMS)
15/10/2026, 15:3520261015T183517Z-suite-paper_repro-gemini-0cda63
concluídaíntegraa167d5ead931geminigemini-3.8-flash
paper_repro
  • ferramenta 100% n=56 (100%–100%)
  • agente (T2) 87% n=55 (76%–97%)
  • desenho (T3) 88% n=42 (78%–97%)
9.462.607USD 18,256
estimativa
de545076236a
15/10/2026, 15:3320261015T183314Z-suite-nist_anova-gemini-6acf8c
concluídaíntegraa167d5ead931geminigemini-3.8-flash
nist_anova
  • ferramenta 73% n=11 (43%–90%)
  • agente (T2) 73% n=11 (43%–90%)
489.000USD 0,974898
estimativa
2428cc68cd79
15/10/2026, 15:2820261015T182814Z-suite-nist_univariate-gemini-dd5d14
concluídaíntegraa167d5ead931geminigemini-3.8-flash
nist_univariate
  • ferramenta 100% n=9 (70%–100%)
  • agente (T2) 89% n=9 (57%–98%)
780.586USD 1,54581
estimativa
0a04f1dc0202
15/10/2026, 14:1420261015T171414Z-suite-official-scripted-391f79
concluídaíntegra2925aeab2262scripted—
official 86% (49%–97%)
0—41a2118bddb5
15/10/2026, 14:1420261015T171401Z-suite-tool_selection-baseline-a1426d
linha de base
concluídaíntegra2925aeab2262baselinerules-1
tool_selection 94% (86%–98%)
0—82a6279c7d1b
15/10/2026, 14:1320261015T171333Z-suite-e2e_memo-scripted-8076a5
concluídaíntegra2925aeab2262scriptedfake
e2e_memo 100% (65%–100%)
0—1913e25f398f
15/10/2026, 14:1320261015T171311Z-suite-dgp-scripted-505dfe
concluídaíntegra2925aeab2262scripted—
dgp 100% (76%–100%)
0—aab927559ab5
15/10/2026, 14:1320261015T171300Z-suite-closed_form-scripted-9fb914
concluídaíntegra2925aeab2262scripted—
closed_form 100% (93%–100%)
0—7ac29f56955f
15/10/2026, 14:1220261015T171252Z-suite-strd-scripted-d8a322
concluídaíntegra2925aeab2262scripted—
strd 100% (84%–100%)
0—ab3339433da2
15/10/2026, 14:1120261015T171142Z-suite-causcibench_real-naive-d6494d
linha de base
concluídaíntegra2925aeab2262naivenaive-ols
causcibench_real 7% (3%–11%)
sem os 2 gabaritos defeituosos: 7%
0—e51187e6c780
15/10/2026, 14:1020261015T171027Z-suite-crb_papers-naive-54c3f2
linha de base
concluídaíntegra2925aeab2262naivenaive-ols
crb_papers 41% (31%–51%)
sem o gabarito defeituoso: 41%
0—17150e88100b
15/10/2026, 14:0020261015T170037Z-suite-qrdata_socsci-naive-761cb5
linha de base
concluídaíntegra62cdbe0860adnaivenaive-ols
qrdata_socsci 3% (0%–9%)
sem os 7 gabaritos defeituosos: 4%
0—c25a2cb8ad3b