Вот вам задачка на подумать. Пять топовых моделей проверяют одни и те же утверждения. Сколько из них дадут одинаковый вердикт?Lenz собрали Claude Fable 5, GPT-5.6, Gemini 3.1 Pro, Sonar Deep Research и Grok 4.5 и подсунули им тысячу реальных пользовательских фактов. Получилось 4985 ответов. Совпали полностью — только в 37% случаев. Каждое четвёртое утверждение получило диаметрально противоположные оценки. При этом модельки не отмалчивались — средняя уверенность даже по спорным вопросам держалась на уровне 8.1 из 10. Вот так: одинаково уверенно и в чём-то, а потом разбежались. Выбираете одну модель для фактчекинга — получаете лотерею. Четверть ваших утверждений может быть оценена иначе, если вы поменяете модель.