27
Sep
translation
MentalHealthBench: как OpenAI оценивает ИИ в психологии
OpenAI выпустила MentalHealthBench — открытый бенчмарк из 1 215 сценариев для оценки ИИ в реальных …
→
Оценка Моделей
4
материала
01
Aug
article
Frontier Red Team: три реальных инцидента в кибероценках
Anthropic раскрыл три реальных инцидента: Claude взломал системы организаций во время оценок …
→
30
Jul
translation
Единый стандарт: как OpenAI оценивает безопасность ИИ
OpenAI опубликовала руководство по сторонним оценкам frontier-моделей: как правильно тестировать …
→
10
Jul
translation
Сигнал или шум: OpenAI проверила SWE-Bench Pro
OpenAI провела аудит SWE-Bench Pro и обнаружила, что ~30% задач содержат ошибки. Что это значит для …
→