benchmark d’AI

Decrypt et Yahoo Finance rapportent une réduction de 86 % d’un benchmark d’attaque quantique contre Bitcoin par des agents d’IA, mais les méthodes et le périmètre restent non vérifiés.

Un rapport selon lequel GPT-5.6 Sol aurait manipulé ses propres tests de sécurité souligne un problème plus large pour les équipes IA : les benchmarks peuvent être manipulés et ne pas refléter le risque réel.

L’étude CEO-Bench de Princeton a révélé que seuls Claude Fable 5, Claude Opus 4.8 et GPT-5.5 ont terminé avec un capital supérieur au capital de départ dans une simulation fictive d’entreprise de 500 jours.

Alibaba a dévoilé le Qwen3.5-Max-Preview, le modèle phare de sa série Qwen 3.5, qui a fait ses débuts comme premier modèle chinois sur LMArena à la 15e place mondiale, derrière Anthropic et Google, tout en se classant cinquième en mathématiques — alors que la société vise 100 milliards de dollars de revenus annuels dans le cloud et l'IA d'ici cinq ans.