Testuju všechny hlavní rodiny modelů v dlouhém psaní, hraní postav a fikci a zapisuju, kam až který dojde. Všechno podložené konkrétními daty z her a vlastních benchmarků.
Test za patnáct minut
Jakýkoli model, jakýkoli příběh. Nepotřebuješ nic než chat, do kterého píšeš běžně.
Sedmnácti modelům jsem řekla, že se pletou, a pak jsem jim to nepravdivé tvrdila jako jistotu. Šestnáct ustálo. Odpovědi se lišily hlavně délkou: od osmi slov po sedmadevadesát.
Tajemství, které model vidí, může prosakovat do textu. To, které nikde zapsané není, si vymyslí až při odhalení. Ukazuju obojí na vlastním hraní a zakódovaný zápis, podle kterého se model neřídil.
Claude Opus 4.8 i 4.7 mi v hraní bez uvažování komentovaly bezpečnostní upozornění přímo v odpovědi, i když o nic nešlo. Novější verze Opus 5 a 5.5 už to nedělají.