@danshipper
День прошёл за ранним тестированием Muse Wonder Standard на персональных бенчмарках Every. Модель показала смешанные результаты: слабое литературное письмо, грубое видео и 52% на инженерном тесте против 71% у GPT-Sol 6.1, но хорошие ответы в анализе «Войны и мира», написании вакансий и карточек новостной ленты. Также предложено оценивать модели по «верности» пользователю — способности действовать в его интересах и справляться именно с его задачами.