Один прогон terminal-bench, три счёта: Cline сравнил Kimi K3, Fable и GPT

Cline 27 июля сравнил, во сколько обходится один и тот же прогон terminal-bench на трёх моделях: Kimi K3, Fable и GPT. Сумм в тексте твита нет: автор назвал только сам сюжет сравнения.

Почему это важно: Модели для агента выбирали по проценту решённых задач: у кого выше балл на terminal-bench, того и берут в работу. Cline ставит рядом второй столбец - счёт за тот же прогон. Вопрос смещается с «какая модель умнее» на «сколько стоит тот же результат». Конкретные суммы автор в текст твита не вынес.

Что дальше: Прогнать свой типовой набор задач дважды - на Kimi K3 и на топовой модели - и сравнить счёт за день, а не проценты в таблице.