Tech Meridian ← К СУЩНОСТЯМ
PROМОЙ MERIDIAN EN

МОДЕЛЬ · ENTITY #15975

GPT-6-Astra

Хронология связанных событий, источники и контекст из новостной базы.

ХРОНОЛОГИЯ СОБЫТИЙ

3

RESEARCH · 1 ИСТОЧН. · The Decoder

Бенчмарк TheoPhysEval: GPT-6-Astra решил 49 из 50 задач по теоретической физике

Тридцать пять исследователей выпустили TheoPhysEval — бенчмарк из 50 неопубликованных задач по теоретической физике с проверяемыми ответами. GPT-6-Astra (в среде OpenAI Codex) дал верные ответы на 49 из 50 задач (98%) при среднем расходе ниже $3 на задачу; Opus 5.5 набрал 92%, Gemini 3.8 Flash — 68%, открытые модели — меньше. Тесты проводились с доступом в интернет и без него, и авторы отмечают, что модели часто хорошо справлялись без поиска, что указывает на сильную «запомненность» литературы; набор данных и тест опубликованы на Hugging Face.

9.0

RESEARCH · 1 ИСТОЧН. · arXiv cs.AI

Бенчмарк MathVis (arXiv:2610.12954v1) оценивает генерацию математических диаграмм LLM

MathVis — новый бенчмарк (arXiv:2610.12954v1) из 512 задач, проверяющий способность больших языковых моделей визуализировать математические задачи и генерировать исполняемые TikZ/SVG-диаграммы; набор включает эталонные диаграммы, Gold IR, атомарные рубрики и коды ошибок. В начальной оценке GPT-6-Astra, Claude Fable 5 и Gemini 3.1 Pro Preview показали pass@1 31.25%, 26.56% и 22.85% соответственно; авторы отмечают, что выводы моделей чаще содержат формальные языки и программы и выглядят визуально запутанными вместо явного использования диаграмм для рассуждения.

6.0

RESEARCH · 1 ИСТОЧН. · arXiv cs.AI

OpenProblemBench: бенчмарк из 82 открытых задач математики и теоретической физики для ИИ

OpenProblemBench — новый бенчмарк (arXiv:2610.11118v1), содержащий 82 нерешённые задачи из математики и теоретической физики с контекстом, допущениями и описанием предшествующих результатов для работы над ними. Четыре оценщика независимо проверяли решения без эталонных ответов; по семи конфигурациям GPT-6-Astra показал средний процент «решённых» задач 14,0% против 5,5–6,7% у полноразмерных открытых моделей и 2,4–3,7% у Flash-моделей.

7.0