https://korchasa.dev/bg/tags/benchmarks/Recent content in Benchmarks on korchasa@*opsHugobgFri, 12 Jun 2026 00:00:00 +0000https://korchasa.dev/bg/posts/2026_06_12_agents_comparison_benchmarks/Fri, 12 Jun 2026 00:00:00 +0000https://korchasa.dev/bg/posts/2026_06_12_agents_comparison_benchmarks/<p><a href="https://github.com/korchasa/flowai-experiments/tree/main/agents-comparison" rel="nofollow noopener noreferrer external">https://github.com/korchasa/flowai-experiments/tree/main/agents-comparison</a></p> <p><img src="https://korchasa.dev/posts/2026_06_12_agents_comparison_benchmarks/image.png" alt="Илюстрация: бенчмаркове на автономни агенти"></p> <p>Погоних на 40% от лимита бенчмаркове, близки до моите реални задачи, на opus/fable/gpt-5.5 — напълно автономна агентска работа: генериране на приложение от нулата, одит на проект и три задачи за реализация с различна сложност.</p> <p>Какво може да се каже поне донякъде уверено:</p> <ul> <li>fable по качество на резултата е по-добър от opus-4.8 и gpt-5.5. За себе си формулирах хипотезата fable medium = opus xhigh.</li> <li>opus xhigh — неочаквано скъп заради твърде дългите разсъждения. Понякога по-скъп от fable.</li> <li>Външният вид все още е болка. Всичко е тъмно-неоново-еднакво.</li> <li>За пълноценни тестове ще са нужни 1-2 седмични лимита на claude x20.</li> </ul> <p>Хипотези:</p>