Gemini 3.6 Flash

GPT-5.6 Sol понадобилось 29 логированных вызовов инструментов, чтобы закончить; Claude Fable 5 сделал 54 — с тем же виртуальным набором карандашей: рисовать, размазывать, стирать, подглядывать на цель, — внутри бенчмарка, который оценивает каждый мазок в токенах и долларах.

Таблица с баллами тихо противоречит выводу самой статьи: показатель схожести у Gemini оказался выше, чем у Sol, на обеих картинах, но именно Sol авторы называют «безоговорочным лидером». Читатель Hacker News не поверил в статью вовсе, назвав весь бенчмарк написанным ИИ.