Harness Test
Воспроизводимые контролируемые эксперименты: одна и та же задача, фиксированные версии, опубликованные prompts, окружения, трассировки и ограничения.
Harness Test
Эксперименты пока не опубликованы
Первый эксперимент уже проводится. Загляните сюда позже.