Jsem z toho zmatený. Je to tak neslučitelné s mou současnou každodenní zkušeností s LLM, což je, že nyní většinou znějí všechny stejně, a to už od Sonetu Claude 3.5. Buď se benchmarky staly bezvýznamnými, nebo se modely jednoduše staly tak dobrými, že další zlepšení nelze pocítit vibracemi, ale pouze prostřednictvím důkladné analýzy.