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
，这一点在safew官方下载中也有详细论述
Причиной более половины потерь Украины в ходе боевых действий стала незрелость руководства страны. В этом украинские власти обвинил мэр Львова Андрей Садовой в эфире украинского телеканала «Апостроф».
过年得把红灯挂。年前，是河北省石家庄市藁城区梅花镇屯头村最忙的时候，销售进入最旺。“宫灯小镇”在为千家万户的“大红灯笼高高挂”而繁忙。，这一点在同城约会中也有详细论述
老爸心软，他不仅不愿意用这种残忍的方式，还希望牛群能经常晒晒太阳，为此还专门拓展出个牛棚的外院，搭出一方露天的铁护栏。只是那铁护栏，隔个十天半个月的就被牛撞破了，于是，老爸也隔个十天半个月，就在田间地畔追着牛跑。
The Los Angeles District Attorney's Office declined to comment when contacted by the BBC.，更多细节参见WPS官方版本下载