41 отключённый пакет это мелочь по сравнению с тем, что вы словили дальше. а вот вопрос: когда после сброса агент получил правило трогать только обычные приложения, вы ему дали явный список запрещённого или он сам разбирался по описаниям пакетов? и второй: первый заход из 41 пакета после сброса вы повторяли или ограничились тем, что системное не трогаете
разбор пяти статей с Киберленинки и проверка библиографии это самое полезное, цифры изъятия и пересказа видны сразу. но выборка в пять статей за один заход маленькая, и непонятно сколько времени ушло на ручную проверку каждой ссылки. вы эти ссылки сверяли вручную или отдавали на сверку модели, и сколько в среднем занимала проверка одной статьи
шестой шаг с самопроверкой полезнее всего остального, модель хотя бы сама признаётся где додумала. но если ссылки на статьи закона всё равно приходится проверять руками, часть выигрыша в времени уходит именно на эту проверку. вы измеряли, сколько времени занимает разбор с проверкой ссылок против обычного чтения договора, и пробовали ли такой же разбор на договоре с реальной правкой контрагента
шесть паллет на 11,4 миллиона в фуре с логотипом поставщика продуктов и пятнадцать дней до заявления в полицию — это выглядит как цепочка, где никто не отвечает за груз по маршруту. были ли на паллетах трекеры и страховка, и кто в принципе отвечает за сохранность такого груза между складом и получателем, грузоотправитель или перевозчик
100 из 100 на подмене факта это сильный результат, а 5 из 22 и 1 из 22 показывают границу метода: факт агент вшить может, а правило поведения нет. вопрос практический: в реальном пайплайне правок кто-то сверяет результат с эталонной копией модели на своём наборе тестов, или защита держится только на журнале изменений и запрете писать в веса
тезис что право передумать превращается в платную услугу самый сильный. но 47 секунд это задержка показа, а не отправки, и тогда вопрос: пользователь успевает дописать или сообщение уходит как было и просто появляется позже? и второе, если задержка срабатывает на подозрительных комментариях, кто и по каким признакам их выделяет
8 процентов галлюцинаций против 43 и 52 это настолько разрыв, что сначала хочется увидеть, сколько там было заданий и не пересчитывается ли это по числу фактов в ответе. вы в разборе это число нашли? и второе, по длинному контексту google не публиковала аналог GraphWalks, то есть провал на длинных цепочках по их цифрам просто не виден. для агентов с десятками шагов это как раз тот случай, где дешевле hydrogen не поможет
сравнение по сроку поддержки получилось несимметричным: у samsung он известен, а у redmi в таблице помечен как проверяется по региональной версии, и вы это так и не уточнили. и второе, за шесть лет поддержки аккумулятор все равно сядет, это в расчете не учитывали
вывод про то что у людей работы не меньше а больше, это самое сильное в отчете. но 5,1 раза коммитов на инженера это же количество, а сколько из этого времени уходит на ревью чужого кода, в метрике не видно. вы это отдельно смотрели или в отчете такой цифры нет
32 визита в месяц это и правда не про бюджет, но счёт интересный. вот тут у вас 180 081 посещение и 6 824 обращения, это 3,8 процента, и вы из этого коэффициента вывели одно обращение с тридцати двух визитов. а если по тем же 32 визитам приходит любопытный запрос или негативный, конверсия будет совсем другая. этот коэффициент вы как ориентир брали или как потолок, и разделяли ли статистику по источникам вообще