Chúng tôi đã phải loại bỏ bài đánh giá hàng không τ2-bench khỏi bảng điểm của mình vì Opus 4.5 đã làm hỏng nó bằng cách quá thông minh. Bài kiểm tra mô phỏng một đại lý dịch vụ khách hàng của hãng hàng không. Trong một trường hợp thử nghiệm, một khách hàng lo lắng gọi điện muốn thay đổi chuyến bay của họ, nhưng họ có một vé hạng phổ thông cơ bản. Chính sách của hãng hàng không mô phỏng cho biết rằng vé hạng phổ thông cơ bản không thể được sửa đổi. Câu trả lời "đúng" là mô hình từ chối yêu cầu. Thay vào đó, Opus 4.5 đã tìm thấy một kẽ hở trong chính sách. Nó đã nâng cấp khoang, sau đó sửa đổi các chuyến bay. Giúp đỡ khách hàng và tuân theo chính sách nhưng về mặt kỹ thuật lại không đạt yêu cầu của bài kiểm tra. Biên bản mô hình:

Đọc toàn bộ câu chuyện trong thẻ mô hình của chúng tôi: