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.
ВСУ запустили «Фламинго» вглубь России. В Москве заявили, что это британские ракеты с украинскими шильдиками16:45
，推荐阅读WPS官方版本下载获取更多信息
Гангстер одним ударом расправился с туристом в Таиланде и попал на видео18:08
而松下电视的没落，则始于其在21世纪初错误押注了等离子技术，2003年，时任松下总裁的中村邦夫决定，投入巨资研发等离子电视，松下也就此错失了液晶电视的巨大风口，并为后来的财务危机埋下了祸根。
“每个小姐我都跟她们说，男人啊爱情啊不要看那么重，做小姐要钱，不要花时间和青春，最多5年就不要再做啦，5年已经很久了，样子都会变老，10年就找不到男朋友了，”Maggie姐说，“出去以后做点小生意，不要让别人知道以前做过小姐。”