Недавно Валера Бобров предложил мне поучаствовать в закрытом тестировании на пользователях его арены моделей в 1C LLM Benchmark.

Суть проста: загружаешь задачу в сервис, он случайным образом выбирает две модели для решения, модели выдают результаты, а ты оцениваешь их качество.

И вот подвернулся отличный повод для проверки. Вчера я успешно решил задачу с помощью Claude Sonnet 4.5 с первого захода, или, выражаясь геймерским сленгом, "ваншотом" (тот самый случай, когда игровые термины приходят в айти).

Поэтому я отправил на тест ТЗ, составленное в режиме планирования Cursor, по которому задача и была решена.

На выходе же получил нерабочий шлак в обоих вариантах.

Что ж, llama-4-scout и gpt-oss-20b, You Are Not Prepared!