Тема COMRAD404
OpenAI выпустила GPT-5.2-Codex — специализированную версию флагманской модели для автономной разработки. Модель поддерживает долгосрочное планирование, масштабные рефакторинги кода и усиленные...
Единого стандарта оценки агентов не существует. Разбираем, какие бенчмарки реально показывают эффективность кодинг-агентов, поисковых агентов и мультиагентных систем, и как...
Новый анализ OpenAI выявил системные проблемы в популярном бенчмарке SWE-Bench Pro. Компания утверждает, что значительная часть результатов на тестах генерации...
Разбираем, какие бенчмарки действительно показывают способности AI-агентов, как интерпретировать результаты и на что обращать внимание при выборе модели для агентных...
Microsoft Research представила Orchard — Kubernetes-фреймворк, который выносит окружение агентов в отдельный сервис и позволяет обучать модели прямо внутри реальных...
Анализ MarkTechPost на основе данных METR, OpenAI, DORA и Стэнфорда: бенчмарки переоценены, производительность с AI-инструментами падает, а наём молодых разработчиков...
Anthropic представила Claude Opus 5 — новую флагманскую модель с 1 млн токенов контекста, улучшенными агентными способностями и ценами на...
Grok 4.5 от xAI: $2/$6 за млн токенов против $5/$25 у Opus 4.8. Разбираем, почему важна не цена токена, а...
