В 2026 классические бенчмарки уже насыщены (модели достигают потолка в 90–95%).
В 2026 классические бенчмарки уже насыщены (модели достигают потолка в 90–95%). Идеальным выбором для 2026 будет GPQA Diamond (Graduate-Level Google-Proof Q&A). Это тест на уровне аспирантов (физика, химия, биология). Вопросы составлены так, что даже человек с доступом к поиску Google не сможет легко найти ответ. В 2025-2026 годах этот бенчмарк стал главным индикатором глубинного рассуждения (Reasoning) моделей, и потолок в нем еще не достигнут.
95 просмотров