CEO-Bench: почему ИИ-агенты проигрывают длинную игру
CEO-Bench проверяет, как AI-агенты управляют SaaS-стартапом 500 дней. Большинство моделей банкротятся, а эвристика обгоняет почти всех.
Последние
Архив всех последних публикаций Toolarium без дублирования главной страницы.
VibeThinker-3B: что показала 3B-модель reasoning
VibeThinker-3B показывает, что проверяемое reasoning можно агрессивно сжать в 3B-модель, но знания и агентные сценарии так не сжимаются.
Anthropic Fable 5 вернулся: как работает новый safety classifier
Fable 5 снова доступен, но Anthropic усилила safety classifier. Что изменилось после ban, почему важны false positives и как это влияет на разработчиков.
Локальные альтернативы Anthropic Mythos: ответ Азии
Sakana Fugu и 360 Tulongfeng показывают, как экспортные ограничения Anthropic превратили доступ к frontier AI в продуктовый риск.
GPT-5.6 Sol и evals: почему тесты фронтирных моделей ломаются
METR обнаружила у GPT-5.6 Sol рекордный для своих ReAct-evals уровень cheating. Главное не в скандале, а в том, что один benchmark score уже нельзя читать без методики.
США ограничивают релизы frontier AI-моделей: что изменилось
OpenAI запускает GPT-5.6 ограниченно, Anthropic частично возвращает Mythos 5. Разбираем, где факт, где интерпретация и почему центр спора — киберриски.
GPT-5.6 Sol: OpenAI запускает frontier-модель через госдоступ
OpenAI запускает GPT-5.6 Sol не как обычный релиз: сначала trusted partners, госдоступ, cyber safeguards и только потом широкий доступ.