Claude Opus 5 d’Anthropic a établi un nouveau record sur ARC-AGI-3, ravivant les questions sur de véritables gains de raisonnement versus l’optimisation pour le benchmark.

OpenAI affirme qu’environ 30 % des tâches de SWE-Bench Pro pourraient être cassées, ravivant les doutes sur la manière dont l’industrie de l’IA mesure les modèles de code.

Un nouveau système d’évaluation alimenté par l’IA générative révèle la domination de la Chine dans le secteur des véhicules autonomes et des robotaxis face à ses concurrents américains.

Google DeepMind lance des benchmarks Werewolf et poker sur Kaggle Game Arena pour tester les compétences sociales des IA, la détection de la tromperie et la gestion des risques. Les modèles Gemini 3 Pro et Flash montrent un bond de performance significatif par rapport à la génération précédente.