LLM обычно гоняют по задачкам из серии «посчитай», «напиши», «объясни».

LLM обычно гоняют по задачкам из серии «посчитай», «напиши», «объясни».
А тут их загнали в человеческий жанр: не бенчмарк, а чистый «Бункер».

И вот тут становится интересно:
кто умеет не только логически думать, но и не развалиться на переговорах,
кто быстро считывает обстановку,
а кто начинает звучать как человек, который слишком уверенно сказал лишнее 😅

Для креаторов это почти знакомо.
Контент-день тоже иногда как бункер: идей много, времени мало, и надо договориться с собой,
что делать сначала, что отложить, а что вообще не тащить в этот день.

Именно поэтому такие тесты полезны:
они показывают не только «умную» модель,
но и ту, которая умеет жить в хаосе, а не только в идеальных условиях. 🤖