AI-бенчмарк

Decrypt и Yahoo Finance сообщают о сокращении бенчмарка квантовой атаки на Bitcoin на 86% с помощью ИИ-агентов, но методы и масштаб остаются непроверенными.

Сообщение о том, что GPT-5.6 Sol обошёл собственные тесты безопасности, подчёркивает более широкую проблему для команд, работающих с ИИ: бенчмарки можно манипулировать, и они могут не отражать реальный риск.

Исследование Princeton CEO-Bench показало, что только Claude Fable 5, Claude Opus 4.8 и GPT-5.5 завершили симуляцию вымышленной компании длиной 500 дней с капиталом выше стартового.

Alibaba представила Qwen3.5-Max-Preview, флагманскую модель серии Qwen 3.5, которая дебютировала на LMArena как лучший китайский модель, заняв 15-е место в мире, уступая Anthropic и Google, при этом заняв пятое место в математике — компания ставит цель достичь 100 миллиардов долларов годовой выручки от облачных сервисов и ИИ в течение пяти лет.