descobrir qual item está em falta revelou-se impossível para todos os llms, enquanto era bastante trivial para os humanos.

no geral, achei que o pensamento do gpt-5 foi mais útil com algumas perguntas muito específicas que eu tinha sobre silksong. vi muito menos alucinações em comparação com quando usei o o3 ao jogar blue prince.

claude e gemini falharam completamente, grok pensou por um tempo e deu respostas sem sentido (ambos os itens mencionados podem ser vistos na imagem).

atualização: o gpt-5 pro realmente resolveu isso corretamente. estou impressionado. o modelo de pensamento errou todas as vezes.