AI Projects

После скандала с заменой людей в A/B-тестах на ИИ-судью, LM Arena быстро переобулась. Они заявили, что судья работает только в тестовом режиме на отдельной модели inkling-small. После этого они пересчитали рейтинг заново, и DeepSeek V4 Flash вернулся в топ. Видно, что по оценкам людей Qwen 3.8 Max действительно уровня Claude Opus 5 и Fable 5. Однако такие резкие пересчеты рейтинга с переобуванием в полете выглядят в чем-то несерьезно. В любом случае, теперь нужно все время проверять, что там LM Arena химичит с рейтингом со своей «судьей» на доморощенной модели.