Initially I aimed to test with at least 10 formulas for each model for SAT/UNSAT, but it turned out to be more expensive than I expected, so I tested ~5 formulas for each case/model. First, I used the openrouter API to automate the process, but I experienced response stops in the middle due to long reasoning process, so I reverted to using the chat interface (I don't if this was a problem from the model provider or if it's an openrouter issue). For this reason I don't have standard outputs for each testing, but I linked to the output for each case I mentioned in results.
В России ответили на имитирующие высадку на Украине учения НАТО18:04
Salmon farming improvements making 'slow progress'，推荐阅读旺商聊官方下载获取更多信息
ВсеСледствие и судКриминалПолиция и спецслужбыПреступная Россия。下载安装 谷歌浏览器 开启极速安全的 上网之旅。对此有专业解读
Lex: FT's flagship investment column
Артемий Лебедев обратился в полицию из-за мошенника в ЕвропеБлогер Артемий Лебедев обратился в полицию в Черногории из-за обмана с жильем，推荐阅读WPS下载最新地址获取更多信息