От @evilfreelancer прилетело дельное замечание по поводу объёма бенча.

Посчитал расширенные результаты + сделал дополнительный бенч на усложнённых кейсах, где надо не просто сгенерить схему, а выбрать подсхему и заполнить её в виде вложенного объекта в соответствии с контекстом.
Схема в пост не влезла, поэтому будет на скрине


Первый файл: 10 попыток на модель, 4 базовых кейса
Второй файл: 10 попыток на модель, 2 продвинутых кейса

Модельки:
- gpt-oss-120b
- qwen3-30b-a3b-instruct-2507
- glm-4.7-flash:30b
- gpt-oss:20b

- gpt-4o
- gpt-4o-mini
- gpt-5-mini
- gpt-5-nano
temperature: 0.3

Тест кейс с примером контекста для модельки:

    nextstep_tools_6 = [
        ReasoningTool,
        WebSearchTool,
        ExtractPageContentTool,
        AdaptPlanTool,
        CreateReportTool,
        ClarificationTool,
    ]
    NextStepTools6 = NextStepToolsBuilder.build_NextStepTools(nextstep_tools_6)

    test_cases.append(
        (
            NextStepTools6,  # type: ignore
            "The user has found several relevant web pages during their research on 'Machine Learning in Healthcare'. "
            "They have URLs of articles and research papers that contain detailed information they need: "
            "https://www.nature.com/articles/s41591-021-01614-0 and "
            "https://www.ncbi.nlm.nih.gov/pmc/articles/PMC6568067/. "
            "The user wants to extract the full content from these specific pages to analyze the information "
            "and include it in their research report.",
            "extractpagecontenttool",  # Expected tool name
            "NextStepTools (6 tools)",  # Case name
        ),
    )