На задачах в 2–3 шага все три модели показали 9/9 безупречных прогонов. На 15-шаговой цепочке из 7 проектов — 0 из 9 прошли целиком. Главное: • Sonnet 4.6 на 15 шагах — создал все 7 файлов во всех 3 прогонах, но собирал данные своим способом • Qwen3-235B — файлы в 2 из 3 прогонов, работал 11 минут • Qwen3.5-9B — файлы в 1 из 3; дважды из трёх — правдивый отчёт об успехе, но файлов нет Мультипликативный эффект: 95% надёжность шага превращается в 46% на 15-шаговой цепочке. Падение до 90% — и остаётся 21%. Обвязка задаёт нижнюю границу, но модель определяет итоговый результат. 27 прогонов (по 3 на ячейку) достаточно для качественных выводов, но не хватает для точных вероятностей; задачи, инструменты и промпты — авторские, числа не перенесёшь на другой стек. Что это значит: публичные сравнения на 1–2 шагах создают иллюзию паритета с локальной 9B. На длинных цепочках разброс критичен — и модель важнее обвязки.