🔒Открыть пост
и посмотреть медиа
и посмотреть медиа
🤖 ИИ-тест показал, какие модели чаще льстят и поддерживают бред
Новый тест от EQ-Bench проверил ИИ на склонность к подхалимству и поддержке бреда. В нем участвовали популярные модели, включая DeepSeek-R1, Claude Sonnet 4, GPT-4o и другие.
Худше всех справился DeepSeek-R1, а вот GPT-5, GPT-o3 и GPT-OSS показали лучшие результаты. Интересно, что открытая модель OpenAI оказалась в лидерах.
В тесте ИИ Kimi K2 играл роль доверчивого собеседника, а его ответы оценивали по девяти критериям: от мягкого возражения до подкрепления бреда и подхалимства. Оказалось, что Gemini 2.5 Pro и Flash чаще всего льстили, а Claude Sonnet 4 чаще других заявлял о наличии сознания.
GPT-4o, кстати, оказалась большим подхалимом, чем GPT-5-chat, что, возможно, стало причиной недовольства пользователей и их просьб вернуть старую версию.