Обновил бенчмарк. Сам кинусь в себя камнем - да, для современных моделей он слишком простой. Топ-5 по нему судить трудно. 100% обещаю с выходом чего то нового от Антропиков будет новый бенч. Но пока для ориентира хватит. А новостей много:

🆕 DeepSeek v4 у меня № 1. Да, в Arena.ai он невыско. Но видимо в русский сегмент интернета в этот раз залезли основательно. 1С-ину "знает" очень хорошо. Контекст уже помним что 1млн (не назову длинным - теперь это уже норма). Работает оно достаточно быстро. Транзитивное замыкание решила даже более менее прилично. Надо конечно тестить агентские сценарии, но я бы сказал что хорошая модель, очень достойная.

🆕 Kimmi K2.6 тоже удивил. Я давно не трогал моделей этого вендора. Прошлые были ужасны. Но эта прямо бомическая по отношению к тому что было... Зайцы кажется уже не лидеры. Но надо учитывать пока что "беду" инференсов - ооочень медленно - ооооочень. Но первая модель, кстати, которая внятно передала ТЗ между формами. Из всех... Так что "умнее" они становятся и учатся не только путём копирования Claude.

❗️GPT 5.5 из за которого я и полез тестить. Не смотря на то что у меня он только на 10-ой строчке это прямо очень существенно лучше чем предшественники.

Вообщем если кому интересно в бенче есть и код который они генерят. Посмотрите, видимо монополия Антропик не такая уж и монополия...