UTP-Bench: почему планы от LLM рассыпаются от первой задержки

Жесть — даже GPT-5 закладывает разумный запас времени только в 1-12% случаев. Парадокс: крайности (максимально смело или максимально осторожно) модели выдают легче, чем разумную середину. UTP-Bench позволяет проверить — выдержит ли план LLM реальную задержку, а не просто выглядит логично на бумаге. Исследователи прогнали модели через 504 индийских города с реальной статистикой задержек транспорта и толп — и тут у всех моделей всё поплыло.