Как вы могли заметить выше, у меня был доступ к ранней версии GPT-5. Она устанавливает новый SoTA с значительным отрывом по этому бенчмарку и показывает гораздо лучшие результаты, чем o3-high. Это отличная модель. С другой стороны, лучшая модель Anthropic отстает. Модель Google находится в середине группы.