Сегодня @grapeot упомянул, что разница между одной и той же моделью, но с разными harness, может составлять 16 пунктов — я считаю, что это важнее, чем рейтинги. На следующем этапе различия будут не в том, «какую последнюю модель подключили», а в разбиении задач, правах на инструменты и способности замкнуть цикл eval. Модели будут сходиться — инженерная пропускная способность и есть барьер.