🚀 DeepPlanning - новый бенчмарк о QWEN для проверки долгосрочного агентного планирования в задачах, приближенных к реальности. Это уже не игрушечные step-by-step задачки. Здесь важно, чтобы весь план целиком удовлетворял жестким глобальным ограничениям: ⏱ Временные лимиты 💰 Ограничения по бюджету 🧩 Комбинаторная оптимизация на уровне всего решения Примеры задач: ✈️ Многодневные путешествия с расписанием по минутам + строгие лимиты по времени и деньгам 🛒 Сложные покупки с комбинированием купонов, наборами товаров и оптимизацией выгоды 🧠 Требуется активный сбор информации, локальное соблюдение ограничений и глобальная оптимальность плана И вот где становится особенно интересно - даже топовые модели вроде GPT-5.2, Claude 4.5, Gemini и Qwen3 здесь заметно проседают. Этот бенчмарк отлично показывает реальный уровень: - Agent Planning - Tool Use - Long-Horizon Reasoning То есть то, что действительно нужно автономным агентам, а не просто чат-ответам. Paper: https://arxiv.org/pdf/2601.18137 Leaderboard: https://qwenlm.github.io/Qwen-Agent/en/benchmarks/deepplanning/ Hugging Face Dataset: https://huggingface.co/datasets/Qwen/DeepPlanning ModelScope Dataset: https://modelscope.cn/datasets/Qwen/DeepPlanning @data_analysis_ml