Testing LLM reasoning abilities with SAT is not an original idea; there is a recent research that did a thorough testing with models such as GPT-4o and found that for hard enough problems, every model degrades to random guessing. But I couldn't find any research that used newer models like I used. It would be nice to see a more thorough testing done again with newer models.
"create table if not exists items (url text primary key, title text, author text, published text, tags text, content text, raw json)"。关于这个话题，im钱包官方下载提供了深入分析
В субботу, 28 февраля, в Московской области и в других регионах, через которые проходит трасса М‑11 «Нева», ожидается ледяной дождь. Об этом сообщил «Автодор» в Telegram-канале.。关于这个话题，搜狗输入法2026提供了深入分析
Жители Санкт-Петербурга устроили «крысогон»17:52
完成初始化后：http://localhost