#Бенчмарки
Эксперимент: способны ли нейросети находить все баги и объединять чужой код в идеальное решение?
Практический тест показал, почему нельзя слепо доверять одной языковой модели: четыре LLM искали семь ошибок в скрипте, а еще семь пытались собрать идеальную версию из чужих исправлений.
Anthropic представила Claude Fable 5.1 на фоне ускорения гонки передового ИИ
Anthropic представила модель Claude Fable 5.1 со значительным приростом производительности и смягченными фильтрами безопасности, запустив новую волну передовых ИИ-релизов на фоне обострения регуляторных споров и судебных разбирательств в индустрии.
Тестирование Qwen3.8-Flash-Next: сравнение с боевыми моделями и важность многократных прогонов
Свежие тесты архитектуры Qwen3.8-Flash-Next показали сопоставимое качество с Qwen3.8-27B при заметных архитектурных новшествах, однако переход в продакшн пока сдерживается ограниченной поддержкой движков инференса.
Архитектурный прорыв Qwen 4: как устроена модель Qwen3.8-Flash-Next
Alibaba представила Qwen3.8-Flash-Next — превью архитектуры будущей Qwen 4. Модель на 180 млрд параметров задействует лишь 6 млрд на токен и способна работать на 128 ГБ системной памяти.
Как заставить ИИ-агентов работать без сбоев: опыт создания морского аналитика Shippy
Инженеры Института искусственного интеллекта Аллена рассказали об архитектурных проблемах при создании ИИ-агента Shippy и объяснили, почему языковым моделям нельзя доверять выполнение строгих технических алгоритмов.
OpenAI выпустила ChatGPT Images 2.0 с режимом рассуждений, поддержкой 2K и мультиязычным текстом
OpenAI представила модель gpt-image-2, которая внедряет логику O-серии в процесс создания графики, уверенно рисует кириллицу и возглавила рейтинг LM Arena.
Бенчмарк Remote Labor Index показал: современные ИИ-агенты справляются лишь с 2,5% реальных фриланс-задач
Специалисты Center for AI Safety и Scale AI разработали тест RLI на основе сотен реальных проектов с Upwork. Даже ведущие языковые модели и агенты смогли качественно закрыть не более 2,5% заказов.
Слишком правильные: исследование показало, почему ИИ не умеет убедительно отыгрывать злодеев
Исследователи из Tencent и Университета Сунь Ятсена выяснили, что встроенные механизмы безопасности мешают языковым моделям вживаться в роли отрицательных персонажей, заменяя тонкие манипуляции шаблонной агрессией.
Релиз GLM-5: открытая модель от Zhipu AI выходит на уровень лидеров в агентном программировании
Zhipu AI и Университет Цинхуа представили GLM-5 — мощную открытую MoE-модель на 744 млрд параметров, способную автономно писать код, вести глубокий веб-поиск и решать сложные многошаговые задачи наравне с проприетарными флагманами.
Бенчмарк ClawBench выявил слабые места ИИ-агентов: лучший результат в реальном интернете составил всего 33%
Новый бенчмарк ClawBench проверил работу автономных веб-агентов на живых сайтах. Сильнейшая из протестированных моделей смогла успешно справиться лишь с третью практических задач.
OpenAI представила первый собственный ИИ-чип Jalapeño для конкуренции с Nvidia в инференсе
OpenAI опубликовала первые результаты тестов Jalapeño — собственного чипа для инференса, разработанного совместно с Broadcom, заявив о значительном превосходстве в скорости и энергоэффективности над решениями Nvidia.