TokenProof

Независимые тесты LLM-моделей: реальные прогоны, честные цифры, ноль маркетинга.

📊 Результаты — бенчмарк ASTRA-SEQUENCE-7319

Один прогон = 6 задач одной серией: формат, трансформация, SVG-иллюстрация, интерактивная визуализация, state/undo-приложение, reasoning-задача. Максимум — 100 баллов.

ПрогонМодельБаллСтатус
run1 · 2026-09-15 Astra High (Codex) 94 / 100 эталон
run2 · 2026-09-15 Qwen 3.8 Flash 92 / 100 оценено
run3 · 2026-09-28 GLM-5.3-Flash — судейство в работе
run4 · 2026-09-29 GLM-5.3 — судейство в работе

🧪 Методика

  1. Одинаковый набор из 6 задач для каждой модели, одна серия без перезапусков.
  2. Проверка результатов автоматическим судьёй по фиксированному чек-листу (100 баллов).
  3. Дополнительно — сравнение с эталонным прогоном (структурное сходство решений).
  4. Никаких платных размещений и «подгоночных» условий: промпты и критерии публикуются вместе с результатами.