O Claude Opus 5 da Anthropic estabeleceu uma nova pontuação máxima no ARC-AGI-3, levantando novas dúvidas sobre ganhos reais de raciocínio versus mira no benchmark.

A OpenAI diz que cerca de 30% das tarefas do SWE-Bench Pro podem estar quebradas, levantando novas dúvidas sobre como a indústria de IA mede modelos de programação.

Um novo sistema de benchmarking alimentado por IA generativa revela a dominância da China no setor de veículos autônomos e robotáxis em relação aos concorrentes dos EUA.

Google DeepMind lança benchmarks de Werewolf e poker na Kaggle Game Arena para testar habilidades sociais da IA, detecção de enganos e gestão de riscos. Os modelos Gemini 3 Pro e Flash demonstram um salto de desempenho significativo em relação à geração anterior.