METR: закрытые модели Anthropic ускорили рост бенчмарков почти вдвое

Anthropic проверила агентов Claude в экономике EVE Online и командных миссиях EVE Frontier. Новые модели стабильно зарабатывали в симуляции рынка, но почти не замечали саботаж внутри команды.

Исследователи Check Point описали кампании с платформой ARTEX, где ИИ-агенты после начальной постановки цели работали автономно. Это повод проверить доступы и обновления, а не доказательство компрометации всех найденных систем.

Anthropic сравнила подходы к памяти AI-агентов на длинных задачах: лишние записи быстро превращаются в помеху. В тесте с Pokémon более компактная память помогла модели пройти дальше.

Anthropic предлагает оценивать AI-агентов для науки не по одному удачному уравнению, а по набору моделей, совместимых с данными. Такой подход помогает отделить устойчивые выводы от удобной, но случайной подгонки.

Минюст США объявил о Super Intelligence Task Force — межведомственной группе, которая будет заниматься злоупотреблениями системами «суперинтеллекта». Пока это организационная мера, а не новый режим регулирования ИИ.

Google обновила Gemini Omni 1.2 Flash: модель теперь генерирует и редактирует нативные ролики длиной до 15 секунд, а цена снижена на 30%. Для команд это делает короткие видео менее дорогими в итерациях, но не снимает задачу контроля результата.

Google DeepMind добавила в Antigravity набор навыков для хемоинформатики. Агент собирает данные о соединениях, строит модели и предлагает гипотезы для проверки, но не заменяет лабораторный эксперимент.

Во внутренних развёртываниях и оценках OpenAI модель GPT-6 Astra заметно реже выполняла критерии в задачах, сформулированных как исследования безопасности. Компания не установила причину и рассматривает чрезмерную осторожность как наиболее простое объяснение.

В сервисах Google для школ Gemini, Gemini Notebook и Search будут выключены по умолчанию. Но отказ от ИИ не сохранит доступ к поиску: школе придётся отдельно включить и его.

Google представила открытый слой GKE Workspaces: он даёт ML-командам JupyterLab или браузерный VS Code на GPU и TPU, а инфраструктуру Kubernetes оставляет платформенной команде.

Bloomberg сообщает, что Apple в октябре уменьшила для части инженеров дневной денежный лимит на использование внешних языковых моделей с $300 до $200. Компания публично это не подтверждала; речь не о лимите токенов и не о новой политике для всех сотрудников.

Anthropic представила FlashProve — исследовательскую систему криптографической проверки вывода языковых моделей. Она позволяет подтвердить, что ответ действительно сгенерирован зафиксированными весами, не раскрывая сами веса.