FDE-Gym проверяет, доводит ли модель задачу до конца. 95 задач из 20…

FDE-Gym проверяет, доводит ли модель задачу до конца. 95 задач из 20 сценариев и 18 отраслей — «последняя миля» доставки ИИ. Метрика: прирост бизнес-показателя заказчика (0 это «ничего не менять», 1 это эталон).

Лучший балл 0,56 у Claude Opus 5.5. Из 95 задач целиком решено от силы 15, а Haiku 4.5 хуже бездействия в 79 из 95.

Последняя миля не пройдена даже топами.