30
Jul
news
AI-агенты не умеют следовать корпоративным регламентам
Новый бенчмарк HANDBOOK.md доказал: лучшие AI-агенты проваливают более 60% задач, где нужно строго …
→
Бенчмарк
5
материалов
15
Jul
article
Apple SpeechAnalyzer vs Whisper: первый реальный бенчмарк
Apple представила SpeechAnalyzer на WWDC 2025. Разбираем реальные бенчмарки точности и скорости …
→
29
Jun
news
GLM 5.2 обходит Claude в бенчмарке по безопасности
Команда Semgrep протестировала GLM 5.2 на поиске IDOR-уязвимостей — открытая модель от Zhipu AI …
→
22
May
article
HalBench: тест на лесть и галлюцинации у топ-LLM
Разбираем пользовательский бенчмарк HalBench: как Claude Sonnet 4.6, Grok 4.3, GPT-5.4 и Gemini 3.1 …
→
04
May
news
Local Deep Research: ~95% на SimpleQA без облака
Открытый инструмент Local Deep Research показывает ~95% точности на SimpleQA. Поддерживает Ollama, …
→