6 декабря принес действительно впечатляющие результаты. Одна модель буквально разрывает конкурентов по всем направлениям.
Таблица лидеров Pax Historia? Возглавила её. Испытание τ²-Bench Telecom — то самое, где проверяют агентное использование инструментов? Там тоже первое место. Конкурс Alpha Arena, сезон 1.5? История повторяется. Но самое интересное: метрики использования токенов на OpenRouter показывают, что эта модель лидирует и в ежедневных, и в еженедельных чартах.
Четыре разных бенчмарка. Четыре золотые медали. Всё за один день.
Что особенно интересно — дело не только в этом тотальном триумфе, но и в разнообразии тестов. Тут и историческое моделирование, и работа с инструментами на уровне телекоммуникаций, и соревновательная арена, и реальные объёмы использования. Это не просто доминирование в лаборатории — это валидация рынком в режиме реального времени.
Техническое сообщество давно ждало такой универсальной производительности. Похоже, теперь они это получили.
Посмотреть Оригинал
На этой странице может содержаться сторонний контент, который предоставляется исключительно в информационных целях (не в качестве заявлений/гарантий) и не должен рассматриваться как поддержка взглядов компании Gate или как финансовый или профессиональный совет. Подробности смотрите в разделе «Отказ от ответственности» .
6 декабря принес действительно впечатляющие результаты. Одна модель буквально разрывает конкурентов по всем направлениям.
Таблица лидеров Pax Historia? Возглавила её. Испытание τ²-Bench Telecom — то самое, где проверяют агентное использование инструментов? Там тоже первое место. Конкурс Alpha Arena, сезон 1.5? История повторяется. Но самое интересное: метрики использования токенов на OpenRouter показывают, что эта модель лидирует и в ежедневных, и в еженедельных чартах.
Четыре разных бенчмарка. Четыре золотые медали. Всё за один день.
Что особенно интересно — дело не только в этом тотальном триумфе, но и в разнообразии тестов. Тут и историческое моделирование, и работа с инструментами на уровне телекоммуникаций, и соревновательная арена, и реальные объёмы использования. Это не просто доминирование в лаборатории — это валидация рынком в режиме реального времени.
Техническое сообщество давно ждало такой универсальной производительности. Похоже, теперь они это получили.