Hat vezető kínai mesterséges intelligencia-modellt vetnek össze különböző, valós kihívásokat szimuláló feladatokon keresztül – köztük a DeepSeek, Kim K2.6, Qwen 3.6 Max, MiniMax M2.7, GLM 5.1 és Xiaomi Mio V2.5 Pro modelljeit. Ezek az algoritmusok többek között egy valós idejű közös kódellenőrző alkalmazás automatikus készítésében, valamint összetett, valós szituációkban mutatják be tudásukat.
A bemutatott kódgenerálási feladat során a modelleknek Flask alapú, adatbázissal és websockets-el támogatott, kollaboratív alkalmazást kell lefejleszteniük teljesen automatizáltan. Részletesen elemzik, hogyan birkóznak meg a modellek a feladattal: mennyire futtatható, könnyen kezelhető a kimeneti alkalmazás, illetve milyen apró különbségek mutatkoznak valós idejű együttműködésben vagy funkciógazdagságban.
Ezt követően egy krízishelyzet szimulációja során a modelleknek tervezniük kell egy újságíró gyors és biztonságos kijuttatását Venezuelából. A hangsúly a kreativitáson, a realitásérzéken, a gyakorlati tanácsokon és a konkrét, helyszínhez kötött lépéseken van, miközben az anyagi és kommunikációs akadályokat is figyelembe veszik.
A harmadik kihívásban kultúraközi érzelmi érzékenységet és fordítási képességet vizsgálnak: a feladat egy érzelmileg tömör, bűnbánó SMS üzenet adaptálása több mint 80 nyelvre, kulturálisan hitelesen és empatikusan. Ezáltal fény derül arra, mely modellek értik igazán mélyen a különböző nemzetek érzelmi árnyalatait és kommunikációs hagyományait.
A videó végig kiemeli a gyakorlati tesztelés fontosságát, a szubjektív értékelések szerepét, valamint a folyamatos modellevolúciót és Kína mesterséges intelligencia-piacának elképesztő versenyét.
