Бенчмарк LHTB оценивает возможности ИИ-агентов в планировании и последовательном принятии решений. В серии из 46 испытаний Grok 4.5 достиг показателя 0,505, успешно завершив 13 заданий. Этот результат выглядит прорывом на фоне итерации Grok 4.20, которая ранее не справилась ни с одним из предложенных тестов. Резкий рост эффективности разработчики связывают с оптимизацией процессов обучения на массивах реальных данных.
В итоговой таблице новинка оставила позади ведущие языковые модели, включая GPT-5.5, Claude Sonnet 5, Opus 4.8 и Fable 5. Успех в LHTB подтверждает, что модель научилась работать в условиях многоступенчатого анализа, требующего точного взаимодействия с интерфейсом командной строки, что до сих пор оставалось одной из самых сложных дисциплин для современных LLM.
Комментарии (0)
Пока нет комментариев. Будьте первым!