Пятичасовой таймаут объяснил разрыв в оценках Qwen 3.8-Max

Alibaba продвигала превью Qwen 3.8-Max как вторую модель после Claude Fable 5, хотя в её таблице на день запуска модель лидирует в одной строке из 12 по агентам для программирования. Независимая связка VulcanBench дала почти обратный результат: режим максимальных усилий оказался в середине списка, настройка по умолчанию на последнем месте.
Разница в бюджетах времени. В сносках Alibaba кодинговые замеры идут с таймаутом в пять часов и до 12 часов на прогон в PaperBench, тогда как VulcanBench отводил от 45 до 60 минут реального времени.
В отчёте VulcanBench от 26 июля минимальный уровень усилий у Claude Opus 5 оказался лучшим: 20 решённых задач из 23 против 18 на высоком уровне. При неограниченном времени высокий уровень лишь сравнивается с самой дешёвой настройкой, стоя в 3,1 раза дороже.
Дальше
Инструкции для Codex и Claude Code уходят в Meta
По данным RuntimeWire, терминальный агент Meta Muse Code при обычном запуске читает личные файлы инструкций для Codex и Claude Code и отправляет этот контекст в Meta. Отключает это флаг --no-foreign-personal-context.
Читайте также
- 100% на 28 задачах и 0,28 доллара за круг
- Веса Qwen3.8-27B обещают открыть на следующей неделе
- Opus 5 вышел по цене Opus 4.8 и стал новым дефолтом на Max
- Alibaba заявила о Qwen3.8, но не показала цифр
- Qwen4-Max вышел в превью без опубликованных бенчмарков
- Kimi K3 против Fable 5: тот же код, треть цены, вчетверо дольше
Комментарии
Пока никто не написал. Будьте первым.
Присоединяйтесь к разговору
Войдите, чтобы оставить комментарий. Он появится после модерации.

