Мне надоела неразбериха с временными рамками METR. Этот бенчмарк такой же, как и любой другой сложный кодировочный бенчмарк, только с креативно представленными результатами, у него есть потолок (100% и 16 часов), и он не предлагает ничего, что вы не должны были бы уже заключить из «насыщения».