Почему модели с высоким effort могут проигрывать в бенчмарках

В анонсе opus 5.5 anthropic был интересный график, как coding-модели ведут себя при разном effort. И сначала довольно странно выглядит, что medium у некоторых моделей показывает результат лучше, чем high или xhigh. Ведь, по идее, чем дольше модель думает, тем лучше. Услышала интересное объяснение. Такие benchmark’и оценивают не просто качество результата, а насколько хорошо агент решил именно поставленную задачу. Например, попросили исправить баг. На medium модель нашла баг, исправила и остановилась. На high может заодно заметить ещё несколько проблем, сделать рефакторинг, поменять abstraction, добавить тесты и что-то ещё улучшить. В реальном проекте второй результат вполне может оказаться лучше. Но для benchmark часть этого уже может считаться выходом за scope. Полезла смотреть, как вообще считается этот benchmark. Это FrontierCode от Cognition. Основной вопрос: принял бы maintainer такой PR? Смотрят correctness, тесты, regression safety, качество кода и отдельно scope, то есть не полезла ли модель менять больше, чем нужно для конкретной задачи. И действительно, если модель заметит ещё несколько проблем рядом, сделает рефакторинг, решит поменять abstraction, добавить тесты и что-то ещё улучшить, для FrontierCode часть этого уже может считаться выходом за scope и снизить score. Т.е. higher effort не обязательно делает модель хуже. Иногда она просто больше исследует, становится менее буквальной, но в какой-то момент может и уйти в overengineering. @wealldesigners