• Долгие многошаговые задачи (agentic tasks) стали получаться лучше:
42% → 55.8% (Terminal-Bench). Рисеч-задачи с проверкой научных гипотез и написанием кода для экспериментов: 24.7% → 52.6% (Terminal-Bench-Science) - тут вообще рост 2x.• Чтение уже обработанного текста диалога (cache reading) подешевело в 4 раза:
$1 → $0.25/1M токенов. На агентных задачах, где модель постоянно перечитывает контекст, это существенно влияет на чек / лимиты.• Результаты на
/effort low сравнялся с результатом на /effort max в Fable 5.0.• Модель стала честнее. Реже по-тихому отключает неудобные тесты ради красивого отчета. А еще чаще прямо говорит, что застряла.
• Едва-едва стали лучше one-shot ответы 63.8% → 65.0% (Humanity's Last Exam).
Короче, дешевле, дольше работает и чаще дает хороший результат в многоходовых задачах.
@ppprompt
