Разработчик показал, как баг в safety gate скрылся от двух из трёх рецензентов три раунда подряд. Потребовался четвёртый, чтобы его заметили. Что нашёл DeepSeek. Три раунда подряд именно он видел проблему, которую пропускали GPT и Gemini. Уязвимость была в самом механизме safety gate — коде, который должен останавливать агента от зависания тестового окружения. Две другие модели одобряли изменение с уверенностью. Почему это важно. Если бы автор использовал мажоритарное голосование (2 из 3), баг ушёл бы в продакшен в первом раунде с высокой вероятностью. Но он поставил правило: 1 возражение достаточно для отклонения. Потребовалось 4 раунда, чтобы уязвимость устранили полностью. Одна из четырёх моделей не работала во время эксперимента — система крутилась в режиме «три из четырёх». Неясно, будет ли та же картина с другим составом рецензентов или в другом порядке. Что это значит: разные модели ловят разные баги — и правило «хотя бы один против» может быть важнее точности каждой отдельной модели.