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.
Последние
Архив всех последних публикаций Toolarium без дублирования главной страницы.
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.
OpenAI IPO 2027: почему $1 трлн стал порогом
OpenAI может ждать 2027 года ради оценки $1 трлн. Главное здесь не слух о дате, а тест: поверит ли публичный рынок в экономику frontier AI.
Агенты, Codex и MCP-инфраструктура: почему AI переходит из чата в рабочий слой
AI-агенты переходят из чата в рабочую инфраструктуру: Codex, MCP, Computer Use и Autodata показывают, какие слои теперь нужны.
GPT-5.6 Sol: почему OpenAI запускает модель под контролем США
GPT-5.6 Sol вышла не как обычный релиз, а через ограниченный preview. Разбираем, что подтвердили OpenAI и system card, и почему доступ стал политическим вопросом.
General Intuition: игровые данные для AI-агентов
General Intuition делает ставку на игровые данные Medal: action labels должны помочь AI-агентам учиться причинности, но перенос в роботов ещё не доказан.