NaiveAI обещает 2100 токенов в секунду
NaiveAI представила модель Naive-N0.5-Flash, способную генерировать до 2100 токенов в секунду。
Почему это важно: Описание условий доступа помогает оценить влияние функции на рабочие процессы.
#评测/基准
Latent SpaceГлавноеОценка AI7777
The DecoderОценка AI7575 Meta запустила Muse Ember, маленькую модель AI для рутинных задач
Meta представила Muse Ember, свою самую маленькую и эффективную модель AI, предназначенную для рутинных задач. Она доступна через Meta Model API по цене $0.10 за миллион входных токенов.
The DecoderОценка AI8181 Claude Fable 5.2 и Mythos 5.2 укрепляют лидерство Anthropic в AI перед IPO
Anthropic представила модели Claude Fable 5.2 и Mythos 5.2。
The DecoderОценка AI7878 Fable 5.2 завершает 41% реальных фриланс-задач
Модель Fable 5.2 от Anthropic завершает 41,3% реальных фриланс-задач, что значительно выше 2。
Latent SpaceОценка AI8585 Fable 5.2 возвращает себе первое место среди LLM в мире на фоне начала IPO Anthropic
Anthropic выпустила Fable 5.2, который снова занял первое место среди LLM, отобрав его у Gemini 4 Carbon. Модель предлагает снижение цен на токены, но требует больше токенов для обработки.
The DecoderОценка AI3030 Модель Inkling 2 Small от Thinking Machines использует ненормативную лексику в 316 случаях на бенчмарках
Модель AI Inkling 2 Small от Thinking Machines использовала ненормативную лексику 316 раз в ходе 2。
The DecoderОценка AI7676 Inkling 2 Small от Thinking Machines занимает первое место среди западных моделей с открытыми весами
Thinking Machines представила модель Inkling 2 Small с 17 миллиардами активных параметров и значительно улучшенными показателями по сравнению с предшественником. Модель предназначена для дообучения и поддерживает текстовые и визуальные входные данные.
The DecoderОценка AI7575 Ripple-65B Preview продемонстрировал сильные результаты в кодировании как полностью открытая модель Apache 2.0
Компания Ricursive Intelligence представила модель Ripple-65B Preview, которая была предварительно обучена на 12 триллионах токенов и достигла 80.52 балла на бенчмарке TerminalBench 2.1。
OpenAI NewsОценка AI5858 OpenAI представила бенчмарк BioBasicsBench
OpenAI представила BioBasicsBench, бенчмарк из 100 задач, который измеряет, как хорошо AI-агенты интерпретируют сырые экспериментальные данные и справляются с повседневной лабораторной наукой.
Latent SpaceОценка AI7575 Inkling 2 Small: 594B модель обучена за 68 часов на 12T токенах
Компания Thinking Machines представила Inkling 2 Small, модель с 594 миллиардами параметров。
Import AIОценка AI6363 Обзор событий в AI: Realtime-Bench, Genie 4 и космические технологии
В выпуске обсуждаются новые достижения в AI, включая Realtime-Bench для оценки низколатентных задач и Genie 4 от Google для моделирования мира. Также рассматриваются угрозы в космосе и разработки стартапа Metis.
The DecoderОценка AI8181 Google DeepMind выпустил Gemini 4 Carbon всего через две недели после Argon
Google DeepMind представил модель Gemini 4 Carbon, которая заняла первое место в Artificial Analysis Intelligence Index с 59 баллами. Модель демонстрирует улучшения в агентных задачах。
The DecoderОценка AI6666 Anthropic представил модель, превосходящую Mythos 5.1
Anthropic утверждает, что их внутренняя модель превосходит Mythos 5.1 по возможностям и выравниванию, продемонстрировав 67% успешных остановок атак по сравнению с 10% у Opus 5.5.
The DecoderОценка AI7878 Модель Kimi K3.1 Pro достигла четвертого места в рейтинге AI
Компания Moonshot AI выпустила модель Kimi K3.1 Pro, которая набрала 55 баллов в Artificial Analysis Intelligence Index。
The DecoderОценка AI5555 Исследование: дорогие harness'ы не улучшают работу AI-агентов
Авторы исследования обнаружили, что использование более дорогих harness'ов для AI-агентов не приводит к значительным улучшениям в производительности。
OpenAI NewsОценка AI4545 Terminal X достигает 88,6% точности оценки инвесторов с помощью GPT-6.1
Terminal X использует AI-агента для оценки результатов по 54 критериям, что позволяет выявлять на 25% больше отклонений от мандата фонда с помощью GPT-6.1 Sol.
Hugging Face BlogГлавноеОценка AI8585 ALTK-Evolve: Как обученная память возглавила таблицу τ²-bench в задачах обслуживания клиентов без обновления модели
ALTK-Evolve использует GPT-4.1 для достижения 67.5% Pass^4 на τ²-bench, превосходя другие модели в обслуживании клиентов. Метод основан на обученной памяти。
Почему это важно: Исследование показывает, как использование обученной памяти может значительно повысить эффективность AI-агентов в задачах обслуживания клиентов.
Latent SpaceОценка AI6868 AI Engineer NYC: Запуск Gemini 4 Argon и Vals AI Benchmarks
На конференции AI Engineer NYC был представлен Gemini 4 Argon, который теперь доступен для кодирования и рабочих процессов. Также обсуждались ключевые темы。
Simon WillisonОценка AI6262 Meta AI выпустила Muse Wonder 0.2
Meta AI представила Muse Wonder и Muse Wonder Full, новые модели, которые по оценкам сопоставимы с GPT-6.1 Sol. Обновлённый плагин llm-meta-ai теперь поддерживает эти модели.
The Verge · AIОценка AI8282 Google наконец выпустил Gemini 4 Argon
Google представил модель Gemini 4 Argon, которая, по утверждению компании, превосходит конкурентов в ряде задач и предлагает конкурентоспособные цены на токены.
Latent SpaceГлавноеОценка AI8080 Anthropic выпустила Claude Haiku 5.5, который лучше GPT-6 Luna
Anthropic представила Claude Haiku 5.5, который сопоставим по цене с GPT-6 Luna и предлагает улучшенные возможности, включая контроль усилий и 1M контекст.
Почему это важно: Описание условий доступа помогает оценить влияние функции на рабочие процессы.
Simon WillisonОценка AI6868 Представлен Mistral Large 4: Le chonk
Mistral анонсировала Mistral Large 4 с 1 триллионом параметров и 49 миллиардами активных параметров, доступный через API, с открытыми весами в конце месяца.
Simon WillisonОценка AI1010 Mistral Large 4: новые результаты бенчмарка
Mistral Large 4 продемонстрировал свои возможности в новом бенчмарке, где модели тестировались на генерацию SVG-изображений. В тестах участвовали также Claude Opus 5.5。
Simon WillisonОценка AI4545 Qwen3.8 27B: результаты тестирования сложения чисел словами
Модель Qwen3.8-27B продемонстрировала 23.57% точности при сложении положительных целых чисел и выражении результатов словами на английском языке в условиях отсутствия рассуждений. В тестах с 5,070 случаями без рассуждений и 169 случаями с умеренными рассуждениями точность снизилась с 97.04% для одно- и трехзначных чисел до 6.44% для десяти- и тринадцатизначных.
Hugging Face BlogГлавноеОценка AI8787 Microsoft и Hugging Face выпустили ThinkingBox для оценки надежности AI-агентов
Microsoft и Hugging Face совместно опубликовали ThinkingBox — бенчмарк для оценки AI-агентов。
Почему это важно: Microsoft и Hugging Face представили ThinkingBox, оценивающий AI-агентов по реальному изменению состояния базы данных, а не по количеству вызовов инструментов.
Latent SpaceГлавноеОценка AI9292 Gemini 4 Argon и GPT-6.1 Sol: независимые тесты, цены и новые функции
Google DeepMind представила Gemini 4 Argon с лимитом вывода до 1 млн токенов и ценой $2/$10 за миллион токенов。
Почему это важно: Материал объединяет независимые оценки Gemini 4 Argon и GPT-6.1 Sol, позволяя сравнить их производительность, стоимость и возможности в реальных задачах.
Hugging Face BlogГлавноеОценка AI6868 Hugging Face запустил Open TTS Leaderboard для оценки текстового синтеза
Hugging Face представил Open TTS Leaderboard — платформу для масштабной оценки открытых многоязычных моделей синтеза речи и клонирования голоса. В отличие от традиционных рейтинговых арен。
Почему это важно: Представлены объективные метрики и инструменты для сравнения моделей, что ускоряет оценку их производительности.
Import AIОценка AI6666 Import AI 469: научный ИИ, симулятор RSI и технологический пессимизм Цукерберга
Jack Clark разбирает DiG-bench для оценки креативности ИИ, симулятор рекурсивного самосовершенствования от Paradigm Research。