Zábavný fakt: RLing většiny otevřených modelů velikosti 8b (jako qwen 3) přímo na testovací sadě pro agentické benchmarky (jako je TerminalBench) nefunguje. Prostě nedokážou odhadnout správnou odpověď v rámci rozumného rozpočtu na vzorkování. Nemůžu se dočkat, až uvidím první model 8b, abych v těchto benchmarcích získal nějaké netriviální skóre!