Claude Opus 5 от Anthropic установил новый максимум ARC-AGI-3, вновь подняв вопросы о реальном росте способности к рассуждению versus оптимизация под бенчмарк.

OpenAI говорит, что около 30% задач SWE-Bench Pro могут быть сломаны, что порождает новые сомнения в том, как ИИ-индустрия измеряет модели для программирования.

Новая система бенчмаркинга на базе генеративного ИИ выявляет доминирование Китая в секторе автономных транспортных средств и роботакси по сравнению с американскими конкурентами.

Google DeepMind запускает бенчмарки Werewolf и покера на Kaggle Game Arena, чтобы проверять социальные навыки ИИ, обнаружение обмана и управление рисками. Модели Gemini 3 Pro и Flash демонстрируют значительный скачок производительности по сравнению с предыдущим поколением.