Лучший ИИ-агент выполнил 30% реальной лабораторной работы
Исследователи из Стэнфорда выпустили на этой неделе бенчмарк Terminal-Bench-Science 0.1. Каждая из семидесяти задач взята из реальной вычислительной работы исследователя. Claude Opus 5 лидирует, и все модели оказались далеко ниже своего общего результата.
Почему это важноТезис об ускорении науки обычно опирается на экзаменационные вопросы с известным ответом. Этот бенчмарк измеряет другое: пройдёт ли агент реальный рабочий процесс целиком.
Читайте в приложении — бесплатно, 9 языков
Похожие новости
Профессор из Беркли назвал ускорение Фурье от OpenAI бесполезным.2026-10-13Учёные спрятали в модели ИИ навык, который не находят тесты.
2026-10-13Ведущие математики Китая создали альянс для разработки ИИ.
2026-10-13Малые модели ИИ скоро смогут копировать себя, считает Anthropic.
2026-10-13Первая передовая модель Meta стала четвёртой в независимом рейтинге.
2026-10-13