LLM обычно меряют бенчмарками на математику, код и логику. Но это не отвечает на главный вопрос для стартапов:

LLM обычно меряют бенчмарками на математику, код и логику. Но это не отвечает на главный вопрос для стартапов: как модель ведет себя, когда нужно договариваться, учитывать людей и быстро менять стратегию.

Появился разбор с тестом в формате «Бункер»: Gemini, ChatGPT и другие языковые модели ставят в условия кризиса, где важны не только ответы, но и переговоры, адаптация и социальная динамика. Для рынка это полезнее сухих метрик — особенно там, где ИИ уже встраивают в поддержку, продажи и внутренние процессы 🧠