
Karamihan sa aking trabaho ay mga agent sa terminal, kaya ang row na pinag-uusapan ko ay terminal-bench 4.0. Ang argon ay huling isa sa apat doon: 57.4% kumpara sa 66.4% para sa opus 5.5. Nakakapagpalaya ito sa mahabang input. Graphwalks sa 256k hanggang 1m: 84.2% kumpara sa 71.8% para sa gpt-6 astra. Hanggang sa 128k, ang pagkakaiba ay isang punto.