Разбор: падение качества LLM чаще связано со стеком, а не с моделью

Аналитический материал объясняет, почему жалобы на «поглупевшие» модели после запуска GPT-6 Astra в сентябре 2026 года чаще связаны с роутерами, настройками reasoning effort, кэшированием и дефолтами SDK, а не с весами модели. Приводятся случаи Anthropic с Claude Code и разброс результатов провайдеров gpt-oss-120b: 93,3% против 80% на AIME 2025.

• Anthropic 4 марта 2026 года снизила reasoning effort Claude Code с high до medium
• Провайдеры gpt-oss-120b на AIME 2025: медиана 93,3%, у Azure — 80%
• Точность GPT-4 на простых задачах упала с 84,0% до 51,1% между версиями 2023 года
• Gemini 3 рекомендует оставлять temperature на 1.0 вместо низких значений