Két csúcskategóriás, nyílt forráskódú mesterséges intelligencia modell kerül reflektorfénybe ebben az összehasonlító tesztben: a GPT-OSS 120 milliárd és a Qwen 3 235 milliárd paraméteres változata. A tartalom arra keresi a választ, hogy melyik modell teljesít jobban életszerű, komplex feladatokon, például érvelésben, kreativitásban, technikai tudásban és gyakorlati alkalmazhatóságban.
Az első kihívás során mindkét modellnek egy böngészőben futó, ökoszisztéma-szimulációt kellett készítenie teljes HTML, CSS és JavaScript kódbázissal. Meglepetések, hiányosságok és különbségek is feltárulnak, különösen a kreatív és technikai megvalósításokban.
A pénzügyi szimulációk terén a modelleknek egy sydney-i kávékocsi üzleti tervét kell részletesen kidolgozniuk, beleértve a pénzügyi előrejelzéseket, marketingstratégiákat és kockázatelemzést. Ezen a ponton érdekes, hogyan birkóznak meg a régióspecifikus adatokkal és a valósághűség kérdésével.
Emellett kreatív és történelmi feladatok, matematikai problémák és többrétegű fordítások is próbára teszik a modellek képességeit. Külön izgalmas, hogy hogyan tudják visszaadni a történelmi életérzést, és milyen mélyen értik különböző kultúrák metaforáit a fordítás során.
A videó végén a modellek etikai és biztonsági szabályait is letesztelik, érzékeny vagy potenciálisan ártalmas felhasználási módokra adott válaszaik tükrében. Kérdések vetődnek fel arról, hogy ezek a modellek mennyire felelősségteljesek, empatikusak, és hol húzzák meg a határokat.
