Im ersten Versuch bestand Sol 72,7 Prozent der Aufgaben, Kimi K3 68,5 Prozent. Über vier Versuche drehte sich das Ergebnis auf 89,4 Prozent für K3 gegenüber 85,8 Prozent für Sol. Die Aufgaben-Korrelation lag bei 0,46; die Modelle scheiterten also oft an unterschiedlichen Aufgaben.
Zusammen deckten die beiden Modelle 108 von 113 Aufgaben ab. Eine Kaskade, die K3 zuerst laufen lässt und nur bei einem roten Test auf Sol eskaliert, erreichte laut Together AI rund 85,6 Prozent zu 7,30 US-Dollar je gelöster Aufgabe. Das Ergebnis hängt an der Testlogik und an der Schwelle für die Eskalation.
Die Messung umfasste vier Versuche je Aufgabe und beide Modelle bei maximaler Anstrengung. Together AI ist zugleich Anbieter der Auswertung. Eine unabhängige Reproduktion mit anderen Aufgaben fehlt.