讨论基准测试结果及可扩展性

他们发现在80%任务完成率和更困难的任务下结果类似（对数图上斜率相同但y值偏移更低）。该基准测试跨度大且未饱和，测试广泛复杂的任务，并允许在多个数量级上评估系统。