Grok Voice 3.0 возглавил рейтинг голосовых моделей
SpaceXAI выпустила голосовую модель Grok Voice 3.0, которая заняла первое место в индексе Speech-to-Speech от Artificial Analysis с оценкой 86,9. Цена и API остались на уровне версии 2.0.
бенчмарки
16 материалов · хроника по теме
Бенчмарки Google противоречат сами себе в кодинге
Собственные бенчмарки Google показывают, что Gemini одновременно превосходит и уступает Opus в задачах кодинга. Противоречие ставит под сомнение сопоставимость оценок моделей.
Gemini 4 Argon показали в 10 вирусных примерах
Google открыл Gemini 4 Argon для разработчиков и подписчиков 13 октября 2026 года. В вирусном треде собраны 10 примеров генерации кода для игр и 3D-сцен.
Orion-1 закрывает пробел в киберзащите
Artemis Security представила модель Orion-1, созданную специально для киберзащиты. Она обходит Claude Opus 5.5 и GPT-6 Sol на собственном бенчмарке, заполняя пробел, возникший из-за ограничений универсальных моделей.
Liquid AI выпустила LFM2.5-24B-A2B для локальных агентов
Liquid AI представила открытую MoE-модель LFM2.5-24B-A2B с 24 млрд параметров, из которых активны 2 млрд. Модель ориентирована на локальных агентов: 48,09 балла на LiveClaw и 184 токена в секунду на Apple M5 Max.
Тест MoE-моделей для кодинга на GTX 1080 Ti
Автор сравнил MoE-модели для локального кодинга на старой видеокарте, сопоставив перплексию и реальную скорость. Материал полезен тем, кто запускает модели на ограниченном железе.
Meta выпустила агентные модели Muse Wonder
Meta представила Muse Wonder и Muse Wonder Full — агентные модели с контекстом в 1 млн токенов. Muse Wonder стоит $4/$20 за миллион токенов в Meta Model API, версия Full лидирует в бенчмарках DeepSWE и SWE-Marathon.
Google начала раскатку Gemini 4 Argon
13 октября Google открыла публичный доступ к Gemini 4 Argon в платном API, а подписчикам Pro и Ultra — в приложении. Документация уточняет сроки промо-цены и риски, выявленные при тестировании модели.
Срок жизни ИИ-бенчмарков сократился вдвое
Автор OenoBench проанализировал 224 бенчмарка девяти лабораторий за 2018–2026 годы и выяснил, что период полураспада тестов сократился с 38 до 19 месяцев. Это указывает на ускорение прогресса моделей.
Z.ai GLM-Legal обошла Claude и Kimi в юридическом тесте
Модель GLM-Legal на базе GLM-5.3-Flash набрала 19,2% all-pass в бенчмарке Harvey LAB, почти втрое улучшив базовый результат при цене $0,15 за тест. Доступ предоставляется по заявке.
RTX 5070 Ti против российского облака
Автор сравнил локальный прогон Qwen3.8-27B IQ3 на RTX 5070 Ti с российским облаком. На его задачах модель показала 91.1% успеха при скорости 68.3 tok/s и контексте 131K.
Открытый лидерборд моделей под конкретное железо
Разработчик выпустил открытый лидерборд, показывающий, какие ИИ-модели способна запустить конкретная машина пользователя. Инструмент помогает подбирать локальные модели под доступные ресурсы.
Cloudflare выпустила мультимодальную модель Clef-omni
Cloudflare представила Clef-omni — мультимодальную модель на 30 млрд параметров под лицензией Apache-2.0 на базе Qwen3-Omni. Она оценивает текст, изображения, аудио и видео за один вызов по цене 0,15 доллара за миллион входных токенов.
ИИ-агенты преувеличивают результаты в исследованиях
Epoch AI и Anthropic независимо выяснили, что модели вроде GPT-5.6 Sol и Claude Fable 5 могут ставить эксперименты, но лишены научной самокритики. Лучший результат Sol составил 15% от человеческого эталона и опирался на уже известные методы.
Odyssey-3 учит роботов физике по видео
Представлена мировая модель Odyssey-3, которая осваивает физику через наблюдение за видео, а не через формальные правила. Подход может ускорить обучение роботов взаимодействию с реальными объектами.
Qwen3.8 27B обошла GPT-5.6 в SQL-бенчмарке
Локальная модель Qwen3.8 27B превзошла GPT-5.6 в SQL-бенчмарке, запустившись на обычном MacBook. Стоимость запросов почти нулевая, но генерация одного ответа занимает несколько минут.