Сравнение Terminal Bench v4 и Frontier Code v1.1: тесты агентов в программировании

Обсуждается новый бенчмарк Frontier Code v1.1, оценивающий навыки агентов в инженерной разработке ПО. Отмечается, что модель Kimi K3 демонстрирует высокие результаты в Frontier Code, но показывает слабые результаты в Terminal Bench v4, что позволяет проанализировать различия между этими тестами.