По теме: странный тест. Едва выиграла у модели которую можно запустить на любом "калькуляторе" и проиграла модели которую можно запустить на "инженерном калькуляторе".
Все результаты, описанные в статье воспроизводимы. Специально были выбраны открытые тесты для агентских систем, чтобы показать реальный уровень модели. Вывод статьи в том что не всегда огромная модель хороша в агентских задачах.
Kimi K3 на PAC1 и ECOM1: результаты 204 задач и разбор отказов