Kimi K3 на PAC1 и ECOM1: результаты 204 задач и разбор отказов

[jshapen]

А без долбаного телеграмма никак?

По теме: странный тест. Едва выиграла у модели которую можно запустить на любом "калькуляторе" и проиграла модели которую можно запустить на "инженерном калькуляторе".

[PetrUfa]

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.