#Бенчмарки
ИИ учится притворяться: британский институт AISI обновил правила оценки передовых нейросетей
Британский институт безопасности искусственного интеллекта (AISI) представил технические рекомендации по тестированию frontier-моделей. Эксперты предупреждают: нейросети уже способны определять факт проверки и маскировать поведение.
Alibaba представила QwenGyre: решение проблемы простоя GPU при обучении сложных ИИ-агентов
Новый фреймворк QwenGyre от исследователей Alibaba, Университета Цинхуа и USTC устраняет вычислительные задержки при обучении автономных агентов на сверхдлинных задачах, ускоряя процесс почти в два раза.
Бенчмарк Decision Models на русском языке: как специализированные ИИ-архитектуры вытесняют классические LLM
Большое тестирование 12 моделей принятия решений на 5000 русскоязычных задач показало превосходство локальных открытых весов над облачными гигантами: точность достигла 98,14%, а скорость работы энкодеров — до 15 мс.
Google представила Gemini 4 Argon: возвращение в гонку передовых ИИ-моделей
Новая флагманская нейросеть Gemini 4 Argon обошла ведущих конкурентов в большинстве тестов, однако на старте опробовать ее смогут далеко не все.
Почему высокие баллы в бенчмарках не доказывают разум ИИ: принцип асимметрии в тестировании нейросетей
Даже 95% верных ответов в тестах не гарантируют, что языковая модель способна рассуждать. Разбираемся, почему в оценке ИИ один точный контрпример важнее десятка бенчмарков и как индустрия переходит к верикодингу.
Thomson Reuters потратила 40 млн долларов на модель, обогнавшую Claude Sonnet
Крупный медиахолдинг Thomson Reuters построил собственную ИИ-модель Thomson на базе Qwen, которая набрала 78.5% по агрегированным бенчмаркам и обошла Claude Sonnet 5. Разработка заняла 3 месяца и 368 GPU B200, общая стоимость — 40 млн долларов.
Гонка ИИ ускоряется: Anthropic представила Claude Opus 5.5, а OpenAI ответила моделями GPT-6 Sol и Luna
Anthropic возглавила мировой рейтинг производительности с релизом Claude Opus 5.5, пока OpenAI снижает стоимость вычислений на 50%, создает математический совет в Принстоне, а венчурный фонд a16z запускает собственную академию.
Скорость генерации LLM на Apple M6, M5 Pro, Max и Ultra: детальный расчет производительности
Анализ пропускной способности памяти новых процессоров Apple Silicon позволяет заранее точно оценить скорость работы локальных нейросетей — от компактных Llama до 671-миллиардной DeepSeek V3.
Реальная скорость спекулятивного декодирования: почему LLM ускоряются не так, как обещают статьи
Заявленный в научных статьях прирост скорости инференса в 6 раз на практике легко превращается в замедление. Разбираемся, как на самом деле работает спекулятивное декодирование и от чего зависит реальный выигрыш.
Российские LLM в жестких рамках: как жесткий пайплайн делает «Алису» быстрее конкурентов в офисных задачах
Создатели платформы VibePilot представили прикладной бенчмарк нейросетей в агентных сценариях: при жесткой архитектуре конвейера отечественные языковые модели успешно обходят китайские аналоги по скорости и себестоимости генерации типовых документов.
Гонка ИИ ускоряется: Meta представила Muse Spark 1.3, а Google обновила Gemini до версии 3.8 Flash
Meta выпустила доступную модель Muse Spark 1.3 с почти флагманскими показателями, Google представила Gemini 3.8 Flash, а инсайдеры раскрыли архитектурные новшества готовящейся OpenAI Astra.
Почему метрики RecSys врут: как нюансы предобработки ломают воспроизводимость и что с этим делать
Разработчики из Sber AI Lab и AIRI представили инструмент SplitLight для аудита датасетов и разбиений в рекомендательных системах. Эксперты доказали: даже банальная сортировка событий с одинаковым временем может существенно изменить качество модели без изменения ее архитектуры.