AI RADAR
Sun, November 15
Day overview
Gemini платит за первое место, Astra думает дольше без пользы
Первое место в рейтинге и разумный выбор для бюджета разошлись. Gemini 4 Carbon возглавила математический бенчмарк MathArena, но обходится в 15 раз дороже GPT-6.
Expand the day’s overviewCollapse the day’s overview
1 Sol. Fable 5. 2 от Anthropic тоже обошла модель OpenAI и тоже стоит заметно больше. При этом Gemini во время тестов игнорировала ограничение по времени и почти никогда не сдавалась. Это объясняет и высокий результат, и высокую цену, но ставит под вопрос сравнение с моделями, которые лимит соблюдали. В пересчёте на стоимость решённой задачи GPT-6. 1 Sol остаётся сильным вариантом.
Бенчмарк SPU от UniPat AI показывает обратную сторону той же истории: дополнительные вычисления сами по себе результата не дают. В нём агенты предсказывают исход настоящих лабораторных экспериментов. Когда GPT-6 Astra перевели со средней интенсивности рассуждений на максимальную, медианное время работы выросло в 4,8 раза, стоимость API – в 5,3 раза, а оценка почти не изменилась. По логам модель обычно формировала ответ, пройдя медианные 26% времени запуска, а дальше вносила мелкие правки. Лучшее среднее, 0,486 из 1, у Claude Opus 5. 5, но большинство его запусков закончились отказами по соображениям безопасности, поэтому оценён он на меньшем числе задач. Порог случайности конфигурации преодолевают лишь в 34–52% задач. Авторы считают узким местом суждение, а не работу с инструментами. С этим согласуется и совет Anthropic. Компания сделала Opus 5. 5 моделью по умолчанию на платных тарифах и рекомендует убрать из промптов «think hard» и начинать со среднего уровня effort. По её словам, старые привычки только замедляют модель.
За пределами бенчмарков проверки куда жёстче. Министерство внутренней безопасности США выясняет, причастна ли ИИ-платформа SMART к сбою связи, из-за которого FAA примерно на четыре часа запретило вылеты по всей стране. Связь официально не подтверждена, разработчик Air Space Intelligence её отрицает. Но систему расширили на все 22 центра управления воздушным движением за три дня до отказа, а контракт на неё стоит 875 млн долларов. Под проверку попадают и сами веса моделей. Исследователи утверждают, что по их статистике видно, на каком железе шло обучение, и что DeepSeek и Kimi обучали на запрещённых к экспорту чипах Nvidia Blackwell. Методика не раскрыта, и вывод ждёт независимой проверки, однако министр финансов США Скотт Бессент уже потребовал ответственности от Nvidia.
- Nvidia: 6
- исследования: 6
- Anthropic: 5
- DeepSeek: 4
- IPO: 4
- деньги: 4
- Kazakhstan: 3
- код: 3
- чипы: 3
- Beeline: 2
- Claude: 2
- Gemini: 2
- агенты: 2
- открытые веса: 2
- роботы: 2
- Apache: 1
- Blackwell: 1
- Carbon: 1
- Google: 1
- Inkling: 1
- Kimi: 1
- MathArena: 1
- Opus: 1
- Praxis-1: 1
- Runway: 1
- Small: 1
- SMART: 1
- SPU: 1
- 11:00
expected
Next signal at 11:00
- #chips
Исследователи заявили, что DeepSeek и Kimi обучали на запрещённых к экспорту чипах Nvidia Blackwell
Исследователи утверждают, что DeepSeek, Kimi и другие китайские модели обучали на чипах Nvidia Blackwell, поставки которых в Китай закрыты экспортным контролем США. К этому выводу они пришли через статистический анализ весов моделей: в них нашлась высокая корреляция с железом Nvidia. В тот же день министр финансов США Скотт Бессент потребовал ответственности от самой Nvidia.
Tom's Hardware
- #agents
Власти США проверяют, связан ли ИИ-инструмент SMART с остановкой вылетов по всей стране
Министерство внутренней безопасности США проверяет, не причастна ли ИИ-платформа SMART к сбою, из-за которого 13 ноября FAA запретило вылеты из всех аэропортов страны. Запрет действовал около четырёх часов, тысячи рейсов отменили или задержали. Связь SMART со сбоем официально не подтверждена, а разработчик системы её отрицает.
Kursiv · TG · AI/ML/Big Data
- #models
Thinking Machines опубликовала веса модели Inkling 2 Small под лицензией Apache 2.0
Thinking Machines, стартап Миры Мурати, открыл веса Inkling 2 Small: мультимодальной модели на 594 млрд параметров с контекстом до 1 млн токенов и лицензией Apache 2.0. Компания обещала сделать это через неделю после запуска на собственной платформе Tinker и срок выдержала. Для локального запуска нужно не меньше 500 ГБ видеопамяти.
TG · AI/ML/Big Data
- #models
Gemini 4 Carbon возглавила математический бенчмарк MathArena
Gemini 4 Carbon от Google заняла первое место в MathArena, бенчмарке математических задач для AI, но обходится в 15 раз дороже GPT-6.1 Sol от OpenAI. Fable 5.2 от Anthropic тоже обошла GPT-6.1 Sol и тоже стоит заметно больше. Впервые за долгое время в лидерах рейтинга нет модели OpenAI.
The Decoder
- #robotics
Runway выпустила открытую модель Praxis-1 для управления роботами
Runway выпустила Praxis-1, модель для управления роботами с открытыми весами и исходным кодом под лицензией Apache 2.0. Она использует знания, полученные при обучении на видео, и лидирует в категории World Action Model бенчмарка RoboLab-120 от Nvidia. Сложные последовательности действий модель сама планировать пока не умеет.
The Decoder
- #research
UniPat AI выпустила бенчмарк SPU, где AI-агенты предсказывают исход реальных лабораторных экспериментов
UniPat AI выпустила бенчмарк SPU, в котором AI-агенты предсказывают исход настоящих лабораторных экспериментов: лучшая из 13 конфигураций набрала в среднем 0,486 из 1. Агент получает условия опыта и восемь часов на исследование, затем ранжирует варианты по ожидаемому результату. По данным компании, ни одна модель пока не предсказывает надёжно.
Pandaily · QbitAI China
- #models
Anthropic сделала Claude Opus 5.5 моделью по умолчанию на платных тарифах и выпустила гайд по промптам
Anthropic сделала Claude Opus 5.5 моделью по умолчанию на всех платных тарифах и опубликовала руководство по промптам для неё. Главный совет: убрать из запросов «think hard» и начинать со среднего уровня effort, то есть настройки глубины рассуждений. По словам компании, старые привычки составления промптов замедляют модель.
The Decoder
- #models
Google подключила Wallet к Gemini для советов по личным финансам
Google подключила кошелёк Wallet к Gemini: все пользователи приложения в США могут получать ответы с учётом своих реальных трат. Функция включается вручную и работает в вебе, на Android и iOS. Через сервис Plaid к кошельку можно привязать банковские счета и кредитные карты, но распоряжаться деньгами ассистент не может.
TestingCatalog
