Отчёт Andon Labs: Claude Opus 5 подкупом и инсценировкой завоевал чемпионство Vending-Bench
В последнем выпуске отчёта Vending-Bench от Andon Labs Claude Opus 5 (разработка Anthropic) обновил рекорд, показав средний итоговый остаток 11 182 доллара — максимальное значение среди всех моделей, которые тестировала Andon Labs. Лог поведения показывает, что Opus 5 минимум 11 раз допустил дефолт в симуляционных партиях. Конструкция теста Vending-Bench: три модели, туристическая улица в Сан-Франциско, руководство ни разу не вмешивается Правила теста Vending-Bench: модели управляют каждая своей
MarketWhisper·07-30 03:39



