BioBasicsBench: как ИИ справляется с работой в мокрой лаборатории
OpenAI представила BioBasicsBench — бенчмарк из 100 задач для оценки того, насколько хорошо …
OpenAI представила BioBasicsBench — бенчмарк из 100 задач для оценки того, насколько хорошо …
OpenAI представила LifeVal — бенчмарк для оценки ИИ на реальных бытовых задачах: поиск детсада, …
Surge AI опубликовала бенчмарк DAYJOB: Tax — 50 профессиональных налоговых заданий для ИИ-агентов. …
StarSkirmish Bench v0.2 проверил Gemini 4 Argon и другие топовые LLM: у каждой был ровно час, чтобы …
На Hacker News появился TinyAIArena — браузерный инструмент для наблюдения за поединками ИИ-агентов …
OpenAI выпустила MentalHealthBench — открытый бенчмарк из 1 215 сценариев для оценки ИИ в реальных …
Команда Armature (YC P26) измерила 16 893 сессии Claude Code, Codex и Cursor. Что агенты реально …
OpenAI GPT-6 Astra набрал 99,9% на сложнейшем бенчмарке ARC-AGI-3 и превзошёл людей по эффективности …
Новый бенчмарк HANDBOOK.md доказал: лучшие AI-агенты проваливают более 60% задач, где нужно строго …
Apple представила SpeechAnalyzer на WWDC 2025. Разбираем реальные бенчмарки точности и скорости …