Artificial Analysis
Источник AI-новостей. Материалы автоматически отбираются и адаптируются редакцией Hamidun News.
Последние публикации
Artificial Analysis выявила потери качества у 24 из 103 API-эндпоинтов
Одна модель у разных провайдеров может работать по-разному: ответы обрываются, аргументы инструментов ломаются. Artificial Analysis проверила 103 эндпоинта и нашла 24 с потерями качества.
Meta Muse Ember догнала Claude Haiku 5.5 по баллам и стоит втрое дешевле за задачу
Новая компактная модель Meta набирает 36 баллов в индексе Artificial Analysis, как Claude Haiku 5.5, но одна задача обходится в 14 центов вместо 41. Есть нюанс со знаниями.
Claude Fable 5.2 лидирует в бенчмарке MKA с 57%, но задача стоит $31,97
Google DeepMind и Artificial Analysis проверили агентов на чертежах, схемах и медицинских сканах. Лидер берёт 57%, а разница в цене между моделями — почти 30 раз.
Artificial Analysis усложнила тест ИИ: теперь документ надо разобрать без 15 ошибок
Модель правильно отвечает на 97% вопросов, но полностью разбирает лишь 63% документов. Обновлённый Decision Index показывает, где ломается автоматизация и почему цена токена обманывает.
VIALS-AA: Gemini 4 Carbon решает 64% научных задач по картинкам, GPT-6.1 Sol в 30 раз дешевле
Artificial Analysis проверила 19 моделей на разборе научных изображений. Больше шагов не значит точнее, а цена за задачу отличается почти в 100 раз.
Nanbeige4.3-33B догнала Qwen3.8 27B по индексу и выиграла в Terminal-Bench: 30% против 6%
Открытая модель на 33 млрд параметров набрала 20 баллов в индексе Artificial Analysis v5, как Qwen3.8 27B, но в тесте на работу в терминале у неё 30% против 6%.
Inkling 2 Small набрала 31 балл в индексе Artificial Analysis и стоит $1,18 за задачу
Закрытая модель Thinking Machines сравнялась с Gemini 3.8 Flash (high) по сводному индексу, а прогон одной задачи стоит $1,18 вместо $7,77. Веса обещают открыть позже.
GitHub Copilot Fusion вдвое дешевле Claude Code при отставании на 2 балла
GitHub запустил Copilot Fusion: он сам выбирает между моделями Anthropic и OpenAI. В независимом тесте задача стоит $5,59 против $11,42 у Claude Code с Opus 5.5.
Gemini 4 Carbon возглавил рейтинг ИИ-моделей Artificial Analysis с 59 баллами
Независимая лаборатория Artificial Analysis поставила новую модель Google на первое место в сводном индексе интеллекта v5. В кодинге-агентах Carbon уступает только Claude Opus 5.5.
Artificial Analysis выпустил Intelligence Index v5: открытые модели отстали на 12 пунктов
Artificial Analysis перестроил главный рейтинг ИИ: 60% индекса теперь на закрытых тестах. Claude Opus 5.5 лидирует с 58, а отрыв открытых моделей вырос с 3 до 12 пунктов.
Claude Opus 5.5 выиграл Code2Video-AA с 1536 Elo, обойдя GPT-6 Astra на 109
Artificial Analysis запустила бенчмарк Code2Video-AA: 27 моделей проектируют видео в HTML по 114 брифам. Claude Opus 5.5 лидирует с отрывом в 93 Elo, цена задачи различается в 300 раз.
Artificial Analysis запустила AA-PersonalityBench: 36 моделей, 30 черт, 900 вопросов
Новый бенчмарк меряет не правильность ответов, а манеру общения LLM: 30 черт, 8 индексов и 21 метрика оформления. В тесте 36 моделей, от Claude до GPT-6.
Anthropic выпустила Claude Haiku 5.5: 43 балла в индексе AA и цена $0.10 за миллион
Claude Haiku 5.5 набрал 43 балла в Artificial Analysis Intelligence Index, подешевел до $0.10/$0.50 за миллион токенов и получил контекст 1 млн, но тратит втрое больше токенов, чем GPT-6 Luna.
GPT-6 Sol Daybreak Blue возглавил Cyber Index: +32 балла и $1,77 за задачу
Artificial Analysis добавила в Cyber Index модели с ослабленными ограничениями. Закрытая GPT-6 Sol Daybreak Blue вышла в лидеры, прибавив 32 пункта к публичной версии.
Harvey LAB-AA v1.1: Grok 4.7 лидирует с 9,4% после проверки на галлюцинации
Artificial Analysis и Harvey добавили в юридический бенчмарк проверку галлюцинаций: Grok 4.7 набрал 9,4%, а у Muse Spark 1.3 две трети успешных задач оказались с ошибками.
Meta выпустила Muse Wonder и Wonder Full: индекс интеллекта вырос с 48 до 56
Muse Wonder и Muse Wonder Full набрали 52 и 56 баллов в Artificial Analysis Intelligence Index против 48 у Muse Spark 1.3. Агентные тесты выросли сильнее всего, цена тоже.
Artificial Analysis запустила AA-3D: Claude Sonnet 5.5 лидирует с 1194 Elo
Новый бенчмарк просит агентов собрать интерактивную 3D-сцену на three.js. Первое место у Claude Sonnet 5.5 (1194 Elo), но топ-4 статистически неразличимы.
Artificial Analysis запустила Decision Index: Jev 1.13 лидирует с 58 баллами
Artificial Analysis ввела бенчмарк для decision-моделей, которые выбирают ответ за один вызов. Jev 1.13 набрал 58 баллов за $42 на миллион задач и опередил GLiDE и Microsoft.
Kimi K3.1 Pro выходит на 4-е место AA Index с 55 баллами и рывком в агентах
Moonshot выпустила Kimi K3.1 Pro: +11 пунктов к K3, 67% на Terminal-Bench 4.0 против 13% и цена ниже на треть. После публикации весов это лучшая open-weights модель.
Artificial Analysis запустил HealthBench: GPT-6 Astra лидирует с 66,0%
Artificial Analysis запустил лидерборды HealthBench и HealthBench Professional. GPT-6 Astra набрал 66,0% у клиницистов, а Claude Sonnet 5.5 лидирует на массовом тесте с 62,1%.
Reflection выпустила Beam: 501B параметров и 30 баллов в Intelligence Index
Первая модель Reflection стала второй среди американских open weights: 30 баллов в Artificial Analysis Intelligence Index при вдвое меньшем расходе токенов, чем у K2 Horizon.
NVIDIA RTX Spark N1X прогнал локального агента на Qwen3.8 27B за 18,7 минуты
Ноутбук Surface Laptop Ultra на чипе N1X со 128 ГБ памяти выполнил агентную нагрузку AA-AgentPerf-Local за 18,7 минуты. Это вдвое быстрее MacBook Pro с M5 Pro.
Vera Rubin NVL72 обошёл GB300 по токенам на мегаватт до 5,7 раза в AA-AgentPerf
Artificial Analysis опубликовала первые результаты Vera Rubin NVL72 в бенчмарке агентного кодинга: до 5,7x по throughput на мегаватт против GB300 и рекорд 906 ток/с на пользователя.
NVIDIA выпустила Nemotron 3.5 Super: 26 баллов AA и 630 токенов/с
Nemotron 3.5 Super VL вдвое улучшил результат предшественника на Intelligence Index и стал лучшей американской open-weight моделью. Рядом вышла компактная Bolt 74B-A9B.
AA-Robotics v0.1: GPT-6 Astra управляет роботом-рукой на 69 баллов из 100
Artificial Analysis запустила бенчмарк AA-Robotics v0.1: LLM управляют 6-осевой рукой. Лидер GPT-6 Astra набрал 69,4 балла, но тратит 30 минут и $16,36 на задачу.
FrontierCode: лучшие ИИ-модели не проходят ревью мейнтейнеров в 42% попыток
Cognition и Artificial Analysis запустили бенчмарк FrontierCode 1.1: Claude Opus 5.5 лидирует с 52% и 58% проходных попыток, но стоит $10,15 за задачу. GPT-6.1 Sol даёт 49% за $0,81.