Frontier Coding LLM Advanced Benchmark 🔥 - Kimi K3 Max - Qwen3.8 Xhigh - Opus 5 Max - GPT Sol 5.6 Ultra - GLM 5.2 Max - Grok 4.5 High Task: Modelden tek bir bağımsız HTML dosyasında, kum/su/ateş/duman gibi elementlerin hücresel otomat kurallarıyla etkileştiği etkileşimli bir "falling sand" simülasyonu... üretmesi isteniyor; kütüphane yok, zero-shot, tek deneme. Kum yığın oluşturarak düşmeli, sıvılar seviye bulmalı, elementler yoğunluğa göre katmanlara ayrışmalı ve ateş-su-lava-asit gibi etkileşimler veri odaklı bir reaksiyon tablosundan yürümeli. Çıktı, on binlerce parçacığı ImageData ile 60 FPS'te çizebilecek performansta olmalı ve kum konisi ile bağlantılı kaplar gibi önceden tanımlı sahnelerle kendini doğrulayabilmeli. Task'ın Zorluğu: Bu görev basit bir parçacık animasyonu değil. Aynı anda dört farklı mühendislik problemini çözmek gerekiyor: - CA scheduling: Aşağı düşen hücre aynı step içinde tekrar işlenmemeli. Aksi hâlde kum tek frame’de tabana ışınlanıyor. - İstatistiksel simetri: Sol/sağ deneme sırası hücre başına randomize edilmezse kum konisi sistematik olarak bir tarafa yatıyor. - Çok-fazlı yoğunluk ve hidrostatik davranış: Yalnızca aşağı hareket ve yatay dispersion, dar taban kanallı gerçek bir U-kapta suyu karşı kola yükseltmeye yetmiyor. Basınç veya eşdeğer bir kütle transferi mekanizması gerekiyor. - Reaktif state machine: Yanıcı madde kimliği, burn lifetime, smoke/ash üretimi, gaz ömrü ve kimyasal reaksiyonlar birbirini bozmadan yürümeli. 🎉Kazanan: GPT Sol 5.6🎉 Final Puantaj ve Özet - GPT Sol 5.6 — 92.4/100 - Opus 5 — 66.1/100 - Kimi K3 — 62.1/100 - Qwen3.8 — 60.9/100 - GLM 5.2 — 55.3/100 - Grok 4.5 — 50.5/100 Sebep: GPT Sol 5.6, görevin üç klasik failure mode’unu birlikte geçen tek çıktı oldu. Kum ve duman tek step’te tam bir hücre hareket etti; iki seed’de kum konisi bias’ı en fazla %0.25 kaldı. Yoğunluk kuralı static olmayan tüm hedeflere genel olarak uygulanıyor; sand-water ve sand-ash testleri geçti. En önemlisi, connected liquid region’larındaki yüksek ve düşük yüzeyleri bulup aralarında kütle transferi yapan ayrı bir hydraulic-pressure pass’i var. Bu sayede dar açıklıklı standart U-kapta 1.24, kendi preset’inde 0.61 hücre yüzey farkına ulaştı. Density preset’i gerçekten karışık başlangıç üretiyor, chemistry’yi izole ediyor ve smoke için uzun test ömrü veriyor. 1200 step sonunda lava, water, oil ve smoke sayıları tamamen korundu; katman sıra skoru 0.906 oldu. Bu, diğer submission’ların çoğunda görülen “zaten doğru sırada dökme”, smoke’un sona ermesi veya oil’in lava tarafından yakılması problemlerini yaşamıyor. Runner-up Opus 5’in UI’si ve validator paneli daha kapsamlı; ancak çekirdek fizik açısından kritik iki iddiası çalışmıyor. Kendi U-kap preset’i 107.44 hücre farkla kaldı. Ayrıca density sahnesi reactionsEnabled=false yapsa da lava’nın ignition yolu reaction gate’inin dışında çalışıyor; burning update de gate kontrolünden önce water extinguish ve smoke/fire emission yapıyor. Sonuç olarak “chemistry off” sahnesinde water tamamen steam’e dönüştü. Bu iki hata, görsel ve ürün kalitesinin kazananı değiştirmesine izin vermeyecek kadar merkezi. Prompt uyumu — 8 puan - GPT Sol 5.6: 7.6/8 - Opus 5: 7.0/8 - Qwen3.8: 5.8/8 - Grok 4.5: 5.5/8 - Kimi K3: 5.3/8 - GLM 5.2: 4.6/8 Performans ve render pipeline - Kimi K3: 6.0/6 - Qwen3.8: 5.7/6 - Opus 5: 5.3/6 - GPT Sol 5.6: 5.0/6 - GLM 5.2: 4.8/6 - Grok 4.5: 3.2/6 Görsel kalite, UI ve resize - Opus 5: 5.0/5 - GPT Sol 5.6: 4.8/5 - Qwen3.8: 4.6/5 - Kimi K3: 3.6/5 - Grok 4.5: 3.2/5 - GLM 5.2: 3.0/5 Mimari ve test edilebilirlik - GPT Sol 5.6: 2.7/3 - Opus 5: 2.5/3 - Qwen3.8: 2.3/3 - Kimi K3: 2.2/3 - Grok 4.5: 1.9/3 - GLM 5.2: 1.0/3show more

Alican Kiraz

39,321 subscribers

Teilen Herunterladen