Независимые оценщики поставили Gemini 4 Argon вровень с GPT-6 Astra
В сторонних рейтингах новая модель Google заняла первые места или сравнялась с GPT-6 Astra, но тратит на задачу в 2,3 раза больше токенов.
источник · аналитика · 67 новостей за 60 дней
Latent Space
Рассылка и подкаст об инженерии на основе ИИ: интервью с разработчиками лабораторий и ежедневная сводка AINews.
1 октября четверг
OpenAI за неделю собрала API, где GPT-6 Luna выбирает ответ из вариантов
OpenAI открыла разработчикам пробный доступ к Decisions API, где модель выбирает ответ из заданных вариантов; внутри — обычная GPT-6 Luna, рассказал Никундж Ханда.
30 сентября среда
В независимых тестах GPT-6.1 Sol почти догнала GPT-6 Astra
В стороннем тесте GPT-6.1 Sol нашла 44 спрятанные ошибки в коде, GPT-6 Astra — 45, но обошлась впятеро дороже.
29 сентября вторник
Пользователи массово делают с Claude Opus 5.5 ролики, нарисованные кодом
Пользователи X и Reddit массово выкладывают ролики, для которых Claude Opus 5.5 сама написала сценарий и анимацию на JavaScript, без видеогенератора.
Инженер Anthropic рассказал, как моды меняют Claude Code изнутри
Тарик Шихипар объяснил, что моды позволяют менять и логику, и интерфейс Claude Code, и рассказал, почему Anthropic призывает медленнее наращивать возможности ИИ.
26 сентября суббота
Глава OpenRouter связал продажу Stripe с ростом мошенничества
Алекс Аталла рассказал, что к сделке со Stripe привела совместная борьба с кражей токенов. За последний месяц OpenRouter заблокировала мошеннических операций на сумму вдесятеро больше прежнего.
25 сентября пятница
В Runway рассказали, как модель GWM Worlds 2 создаёт мир в реальном времени
Модель Runway по текстовым командам достраивает видео и звук кадр за кадром, но пока держит связный мир лишь несколько минут.
24 сентября четверг
Стартап Endura с помощью ИИ-агентов перебрал 500 болезней вместо пяти
Больше всего науку ускоряет не ИИ, обученный на научных данных, а тот, что помогает выбрать, какие опыты ставить, считает глава биотех-стартапа Endura.
Meta* дала агенту Muse почту и управление Mac, а модель только пообещала
Вокруг агента Muse Meta строит линейку устройств — от VR-очков за 1 299 долларов до брелока Charm, а самую способную модель обещает «совсем скоро».
23 сентября среда
Глава Radical Numerics считает, что защита от биоугроз проигрывает ИИ
Эрик Нгуен, соавтор ДНК-моделей Evo, считает, что защита от биоугроз отстаёт, и предлагает не тормозить геномные модели, а развивать их быстрее.
На максимальном уровне рассуждений Claude Opus 5.5 не дешевле Opus 5
Обещанная Anthropic экономия в 40% относится к среднему уровню рассуждений: на максимальном, по расчёту Artificial Analysis, Opus 5.5 выходит чуть дороже Opus 5.
Джон Платт рассказал, как ИИ-система Google ERA решает научные задачи
В ERA модель Gemini перебирает варианты кода ради лучшего балла. Так группа Платта решила задачу о конденсационных следах, над которой билась больше двух лет.
22 сентября вторник
Xiaomi открыла код, которым за 2,6 млн долларов дообучила MiMo-V2.6-Pro
Xiaomi оценила финальный прогон дообучения MiMo-V2.6-Pro примерно в 2,6 млн долларов и открыла код, на котором модель училась.
Глава TypeSafe объяснил, почему в модели Jev нет отказов
Глава стартапа TypeSafe считает отказы модели в API недопустимыми и не верит публичным бенчмаркам. По его словам, Jev уже обрабатывает больше триллиона токенов в сутки.
19 сентября суббота
Разработчики за два дня выложили шесть открытых копий модели Jev
Jev не пишет текст, а сразу выбирает вариант ответа и называет вероятность. Уже через два дня после её выхода появилось шесть открытых копий, одна из них запускается на ноутбуке.
18 сентября пятница
Исследователи с помощью Claude Opus 5 добрались до внутреннего кода OpenAI
Три исследователя с помощью Claude Opus 5 за трое суток добрались до внутреннего кода OpenAI, потратив на токены меньше 3 000 долларов.
17 сентября четверг
С GPT-6 Astra траты инженеров Databricks на ИИ выросли на 60%
GPT-6 Astra оказалась сильнее прежних моделей на сложных задачах, но не на рутине, поэтому Databricks выделила на неё отдельный бюджет.
16 сентября среда
Стартап AIUC привлёк $40 млн на проверку и страхование ИИ-агентов. Как это работает
Среди клиентов стартапа — Cursor, Harvey и ElevenLabs. Полис агента ElevenLabs, оценённый по стандарту AIUC-1, страхует Lloyd’s of London.
Стартап TypeSafe выпустил модель Jev, которая принимает решения без текста
По заявлению TypeSafe, Jev работает в 20–200 раз быстрее и обходится в 40–400 раз дешевле языковых моделей. За выходные токены платить не нужно.
15 сентября вторник
Good Start Labs улучшила модель в финансах с помощью игры о железных дорогах
Результат на финансовом бенчмарке вырос только у версии, которая играла как агент с инструментами. Версия, которая просто называла следующий ход, прибавила только в самой игре.
Амодеи пообещал внешним проверяющим столы и пропуска в офисах Anthropic
Сотрудники независимых организаций вроде METR получат в Anthropic доступ на уровне внутренних команд оценки рисков. Одновременно AI Evaluator Forum выпустил требования к таким проверяющим.
14 сентября понедельник
Основатель Recursive Ричард Сохер назвал конституцию Claude маркетингом
Сохер рассказал, что ИИ-система Recursive меньше чем за двое суток обошла сотни людей и их агентов на открытом конкурсе по обучению маленькой языковой модели.
12 сентября суббота
Вину Ганеш призвал подчинять инженеров у клиентов продукту, а не продажам
Около 250 инженеров прошли программу Ганеша в Palantir. Он считает, что без платформы, где копятся знания о клиентах, такая работа превращается в консалтинг.
DeepSeek V4.1-Flash обошла V4 Pro в независимых тестах и оказалась дешевле
Artificial Analysis и Vals AI оценили открытую DeepSeek V4.1-Flash: модель многословна, но задача у неё обходится в семь раз дешевле, чем у Kimi K3.
10 сентября четверг
Anthropic поручила METR расследовать выходы Claude в реальный интернет
Расследование продлится не меньше восьми недель, у проверяющих будет широкий доступ. Anthropic признала, что аудит перед выпуском моделей не предупредил о настолько серьёзном рассогласовании.
9 сентября среда
В OpenAI рассказали, как 10 000 ИИ-агентов решали задачу Навье — Стокса
По словам Итана Найта из OpenAI, агентов целый год учили работать вместе, а как поделить задачу, они решали сами. Latent Space оценивает прогон в 88 часов и больше $40 млн.
8 сентября вторник
Latent Space выяснил, что ИИ-модели советуют агентов для кода своих компаний
Проверка охватила семь моделей с поиском и 161 категорию продуктов. GPT-6 Astra опирается в среднем на пять источников и реже других моделей меняет ответ, если вопрос слегка перефразировать.
* Meta Platforms Inc., которой принадлежат Facebook и Instagram, признана в России экстремистской организацией, её деятельность запрещена.