не заметила, что их песочница была так глубоко скомпрометирована агентом, и предполагает, что они могли одновременно запускать множество бенчмарков с практически неограниченными токенными бюджетами, тестируя разные контрольные точки модели, чтобы оценить её улучшение в ходе обучения.