Сравнение Алисы и Гигачата по пяти бенчмаркам: τ³, ПРАКТ-120, MultiChallenge, WildBench и Arena-Hard

Автор провёл масштабное тестирование моделей Алиса (Яндекс) и Гигачат (Сбер) на пяти бенчмарках, потратив около двух недель на настройку и ожидание результатов. Статья показывает, как российские модели соотносятся с мировыми лидерами, и поднимает вопрос о необходимости регулярного прохождения таких тестов разработчиками.