Команды Яндекса и ШАД открыли доступ к MTGBench: он проверяет, как нейросети решают сложные задачи последовательными рассуждениями. В бенчмарке 7 текстовых игр, 16 протестированных моделей и 2 языка заданий. Что внутри. MTGBench опубликован на GitHub, а научная статья о нём принята на конференцию EMNLP 2026. Инструмент нужен, чтобы сравнивать модели и выбирать решение под конкретную задачу, а не судить о них только по общему впечатлению. Что показали испытания. Режим рассуждений особенно помогал в задачах с буквами, символами и подсказками. Но перенести успех с одной игры на другую не получилось: результат зависел от самой модели и типа задания. На русском сети справлялись хуже, чем на английском. Средние баллы моделей и людей по каждой из семи игр не приведены. Полный список 16 моделей и их версий тоже не указан, поэтому детально сопоставить результаты пока нельзя. Что это значит: появился открытый инструмент для более честного сравнения моделей, но с переносом навыков между играми и равномерным качеством на двух языках пока не всё гладко.