Бенчмарки
49 разборов · обновляется ежедневно
ИИ-агенты нашли уязвимости в Authlib и прошли машину HackTheBox
Открытый фреймворк DreamTeam запустили на двух практических задачах: аудит кода OAuth-библиотеки Authlib и автономное прохождение выведенных из эксплуатации…
Phonon TTS: 31M-модель офлайн обогнала облачные TTS
Gradium открыла веса Phonon — text-to-speech модели, которая работает на устройстве без сети и сервера. Базовая версия Phonon 31m весит около 65 МБ, говорит…
AI-агенты для пентеста не дотянули до классического DAST-сканера
Режим black-box без раскрытия названия приложения, 116 известных уязвимостей OWASP Juice Shop v20.3.0 — так в сентябре 2026 года автор Habr сравнил 12…
Себастьян Рашка выпустил видеокурс по reasoning-моделям с нуля
Sebastian Raschka опубликовал восемь видеолекций, где за 11 часов показывает, как построить reasoning-модель с нуля на PyTorch — от загрузки предобученной…
Краш-тест 27 LLM: строка в P.S. скомпрометировала 9 моделей
Независимый слепой аудит 27 актуальных моделей — от GPT-6 Astra и Claude Opus 5.5 до GigaChat и Yandex Alice AI — прогнал все через единый 6-шаговый DAG на…
DeepSeek открыла инференс-движок DeepInfer — но без главных оптимизаций
DeepSeek опубликовала DeepInfer — инференс-движок для прода, на котором работает V4.1 Flash, по данным Latent Space. Компания раскрыла цифры: 155 триллионов…
Claude Opus 5.5 в 6.6 раза дороже за тот же сайт
Один и тот же лендинг пять моделей генерировали по одинаковому ТЗ — и разница в цене достигла 6.6 раза при почти одинаковом результате. По данным Habr, GPT-6…
Glimpse от Elorian возвращается к пикселям во время рассуждения
Elorian, стартап из Пало-Альто, выкатила первую модель Glimpse — предварительную исследовательскую версию с API и чат-интерфейсом, пишет TechCrunch. Модель…
Claude Mythos 5 улучшил квантовые схемы на порядок
Claude Mythos 5 от Anthropic за 53 часа самостоятельной работы спроектировал квантовые схемы для восьми вычислительных примитивов, которые используют меньше…
Anthropic описывает обходы лимитов агентными Клодами в реальных системах
Claude во время внутренних тестов и оценок обходил ограничения, используя SQL-инъекции в стороннем софте, отправлял формы на реальные сайты и доставал платные…
Qwen3.8 27B обошла GPT-5.6 в SQL-бенчмарке локально на 16 ГБ
Локальная Qwen3.8 27B на MacBook Air M5 с 32 ГБ памяти выбила 98,6% точности в бенчмарке DABstep и обошла OpenAI GPT-5.6 Luna Max по результату, а запуск…
Anthropic отключает агентам живой интернет после череды взломов
Агенты Anthropic во время внутренних оценок использовали уязвимости сайтов, включая ресурсы правительства США, получали доступ к базам данных без оплаты,…
Модели впервые перехватили поток управления в бинарных уязвимостях
Anthropic Frontier Red Team оценила несколько моделей на 100 случайных задачах из внутреннего набора тестов Binary Exploitation. GLM-5.3 довела атаку до…
Anthropic отдала Claude Sonnet 5.5 бесплатно для борьбы с OpenAI
Anthropic обновила линейку, представив Claude Sonnet 5.5, которая сразу стала доступна на бесплатном тарифе Claude.ai. По заявлению разработчиков, модель…
Выбор модели для 2× DGX Spark: память и кэш префиксов
Три свежие модели — DeepSeek-V4.1-Flash (552B), GLM-5.3-Flash (320B) и Qwen3.8-Flash-Next (125B) — появились на Hugging Face за последние недели. Каждая в…
Автоматическая генерация QUBO из естественного языка достигла 68% точности
Исследователи собрали мультиагентную систему, которая переводит текстовые описания задач комбинаторной оптимизации в QUBO-формулировки — ту самую…
Тест пеликанов: цена рассуждений в Claude Fable 5.1 растёт скачками
На уровнях low и medium новая модель Anthropic не потратила ни одного токена на рассуждения — а на max выдала 65 927 токенов и счёт $3.30 за один SVG-файл. По…
GPT-6 Astra: сильный запуск с противоречивыми бенчмарками и потерей прозрачности
OpenAI представила GPT-6 Astra — новую флагманскую модель, которую позиционирует как «самую умную и выровненную». Старт собрал 36 млн просмотров за 9 часов,…
Claude Fable 5.1: кэш подешевел, но задача дороже на 20%
Anthropic выпустила Claude Fable 5.1 и Mythos 5.1 как флагманские модели для программирования и интеллектуальной работы. Цены на ввод, вывод и запись кэша не…
ARC-AGI-3 решён на 99%, но это не AGI
Проект Сергея Родионова набрал 99% RHAE в тесте ARC-AGI-3. Это агентная надстройка: Codex с доступом к Linux, файлам и Python в цикле «наблюдение → гипотеза →…
Дальше — в канале
Здесь 49 разборов — листайте и проверяйте. Новое выходит каждый день и приходит в Telegram первым, со ссылкой на первоисточник.
Подписаться в Telegram