› Abbiamo costruito un test per undici modelli: nove compiti di codice, traduzione e rispetto delle istruzioni, ciascuno verificato automaticamente per evitare valutazioni soggettive.
› Dopo aver esaminato le risposte, è emerso che su un compito il nostro sistema automatico assegnava i punti al contrario.
› I modelli a cui aveva dato zero avevano risposto correttamente, quelli con un punto sbagliavano.
› Questo è più interessante della classifica stessa, quindi iniziamo da qui.