与现有基准相比，81%的误分类错误减少率是一个强有力的数据点，证明了FrontierCode评估方法的准确性和可靠性。这表明该基准更接近人类开发者的实际评估标准，但缺乏对误分类类型的详细分析。

Directly states the model's top-tier performance on prestigious, human-competitive olympiad benchmarks (IMO, USAMO, IPhO), establishing a high bar for success in AI reasoning.

在RULER 128K基准测试中，SubQ 1M-Preview准确率达到95%，略高于Claude Opus 4.6的94.8%。这个数据点表明SubQ在长上下文理解方面已达到前沿水平，同时突破了传统二次扩展模型的性能瓶颈。