Fato Divertido: Treinar a maioria dos modelos de peso aberto de 8b (como o qwen 3) diretamente no conjunto de teste para benchmarks agenticos (como o TerminalBench) não funciona. Eles simplesmente não conseguem adivinhar a resposta certa dentro de um orçamento de amostragem razoável. Mal posso esperar para ver o primeiro modelo de 8b a obter uma pontuação não trivial nesses benchmarks!