Vì tò mò – và sau một vài gợi ý từ bạn – tôi đã đưa KIMI và GLM (z.ai) vào bảng xếp hạng. Cả hai thực ra đều tập trung vào lập trình.
Tôi đã rất quan tâm: Chúng hoạt động như thế nào trong các lĩnh vực thuế, y học, luật và kinh tế? (Claude, ChatGPT, Gemini và Grok hiện cũng đã được đưa vào ở nhiều phiên bản mô hình khác nhau và đã làm thay đổi đáng kể bảng xếp hạng.)
Nhưng hãy xem xét hai mô hình trong kết quả, đặc biệt là:
→ 1. Độ lệch chuẩn phát sinh mặc dù các câu hỏi hoàn toàn giống hệt nhau.
→ 2. Xu hướng tiến triển của các mô hình theo thời gian – đã có thể nhận thấy, mặc dù khoảng thời gian quan sát vẫn còn tương đối ngắn.
Ai sẽ là người đầu tiên đạt được 99%?
