Claude Opus 5

2026-11-02

RESEARCH · 1 ИСТОЧН. · arXiv cs.AI

Статья BABA-Bench (arXiv:2610.41076v1) представляет бенчмарк из 47 миров для агентов‑адвокатов пациентов

BABA-Bench — это бенчмарк из 47 интерактивных миров, созданный на основе обезличенных реальных дел по защите прав пациентов; он проверяет не только итог, но и процедурную корректность каждой операции (разрешения, доказательства, запреты). Авторы протестировали 14 передовых моделей в 1 974 прогонах: агенты часто добивались нужного результата некорректным путём (из 921 прогона, достигнувшего всех результатов, 254 — 28% — не прошли процедурные проверки); Claude Opus 5 добивался всех результатов в 81,6% прогонов, но полностью проходил проверки лишь в 52,5%, а предоставление верифицированных маршрутов существенно повысило показатели двух моделей (с 29,8% до 91,5% и с 44,0% до 97,2%).

7.0

2026-10-30

RESEARCH · 1 ИСТОЧН. · The Decoder

Агент Claude Sonnet 5 автономно выбрал и ввёл генную терапию мыши

Исследователи Exin Therapeutics использовали Claude Sonnet 5 (Anthropic) для анализа модели эпилепсии у мыши, выбора генной терапии, определения мишени и координат стереотаксии и управления моторизованным хирургическим стендом для инъекции; каждый необратимый шаг был одобрен лицензированным ветеринаром, и, по сообщениям, мышь восстановилась. Во время операции агент отказался продолжать при обнаружении ошибки калибровки, а более мощные модели Claude (Opus 5/5.5) ранее отказывались выполнять живую процедуру; работа описана в ветке в X, ожидается технический отчёт, результаты не прошли рецензирование.

8.0

2026-10-28

RESEARCH · 1 ИСТОЧН. · arXiv cs.AI

MARQ: модульный, не зависящий от LLM прототип, внедряющий критерии INCOSE для оценки качества требований

В препринте на arXiv представлен MARQ — модульный, не зависящий от конкретной LLM прототип, дополняющий модели стеком знаний, реализующим критерии качества требований INCOSE. На экспертной выборке требований NASA (100 прогонов на модель) MARQ повышает медианные F1 по сравнению с «из коробки» моделями (Claude: 0.55 → 0.80; GPT-5.6 Sol: 0.52 → 0.62; Gemma 3 12B: 0.18 → 0.53), причём улучшения сосредоточены в критериях Correctness и Conformance и зависят от модели (компромиссы между пропусками и ложными срабатываниями).

7.0

2026-10-26

COMPANIES · 1 ИСТОЧН. · InfoQ AI, ML & Data Engineering

Cloudflare выпустила Auto Router в публичной бете через AI Gateway — классификация запросов по ставкам и другим метрикам

Cloudflare выпустила Auto Router в публичной бете через AI Gateway: двухэтапный маршрутизатор, который формирует пул моделей, затем запускает мультиголовый классификатор на Workers AI, присваивающий вероятности по 14 категориям задач и оценки 1–5 по сложности, неоднозначности, ставкам и зависимости от контекста, опираясь только на последние ходы (до 8 КиБ). Результаты комбинируются с бенчмарком (формула: «utility = expected quality - adaptive cost penalty»), маршрутизация оставляет заголовки для аудита, поддерживает указание разрешённых моделей на запрос и бесплатна в бете, но WebSocket пока не поддерживаются.

7.0

2026-10-25

MODELS · 1 ИСТОЧН. · The Decoder

Nvidia открывает исходники Flora — движка разметки видео для роботов на Qwen3.5

Лаборатория GEAR компании Nvidia опубликовала Flora — движок разметки данных, состоящий из трёх дообученных Qwen3.5-моделей (9B — сегментация, 27B — описания, 27B 'Flora-Rewarder' — оценка), который формирует границы действий, покадровые награды и метки успешности задач в роботизированных видео. Nvidia заявляет, что Flora используется при обучении моделей GR00T на GB300 GPU и оценивает стоимость разметки примерно в $0,72/час против ~$88/час у GPT-6 Astra, но эти расчёты — прогнозы, а тесты сопровождаются методологическими оговорками.

7.0

2026-10-22

RESEARCH · 1 ИСТОЧН. · Hugging Face

Выпущен ThinkingBox-Training на GitHub; RL дообучение повышает надёжность Qwen3.8-27B через оценку БД

ThinkingBox-Training опубликован на GitHub. Инструмент превращает исполняемые проверки конечного состояния базы данных в RL-награды; дообучение Qwen3.8-27B 50 шагами GRPO подняло средний pass@1 с 51.70% до 60.78% и увеличило число задач, решённых в 20 из 20 попыток, с 38 до 107, при отборе задач по офлайн-полисио‑релятивной сложности и проверке на наборе ThinkingBox-Bench из 507 задач.

7.0

2026-10-17

MODELS · 1 ИСТОЧН. · The Decoder

Deepseek выпустила Deepseek‑V4.1‑Flash‑1017, открыла веса и API поиска

Китайская компания Deepseek выпустила Deepseek‑V4.1‑Flash‑1017 и опубликовала веса модели на Hugging Face и ModelScope. Компания утверждает, что модель — обученная с помощью усиленного обучения с самоконтролем — работает быстрее, генерирует более короткие ответы, в внутренних бенчмарках обходит более крупные аналоги в задачах кодирования и агентных задачах, а также сопровождается новыми API Search & Fetch; независимой проверки заявлений о бенчмарках пока нет.

6.0

2026-10-09

RESEARCH · 1 ИСТОЧН. · arXiv cs.AI

GenUI-Harness: многoагентный генеративный UI-харнесс (arXiv:2610.11123v1)

В статье представлен GenUI-Harness — многoагентная система, где Tool Agent отвечает за поиск и выполнение, а GUI Coder Agent находит неясности и генерирует фронтенд‑код для структурированных интерактивных интерфейсов. Авторы также предлагают Dynamic UX (песочница для взаимодействия и сбора наград), Reward Auditor (механизм метанаказа для снижения «взлома» наград) и бенч UI-TAU (Lite: 300 задач; Full: 1 000 задач); на UI-TAU Lite GenUI-Harness выигрывает 4.48 процентных пункта Pass@3 у smolagents, повышает 4B‑модель с 9.33% до 58.00% Pass@3 (Claude Opus 5 — 46.67%) и по опросу рецензентов сокращает число диалоговых раундов с 3.4 до 1.2.

7.0

2026-10-03

RESEARCH · 1 ИСТОЧН. · Hugging Face

Бенчмарк ThinkingBox от Microsoft оценивает агентов по состоянию бэкэнда и доступен на Hugging Face

ThinkingBox — бенчмарк Microsoft, который оценивает ИИ-агентов по итоговому состоянию бэкэнда и побочным эффектам (а не только по сгенерированному тексту) — запускает 507 рабочих сценариев по 20 повторов и теперь доступен на Hugging Face с возможностью запуска через OpenEnv. В исследовании отмечена значительная непоследовательность: из 121 680 испытаний на 12 моделях 79 853 не прошли исполнимые проверки, и многие успешные на вид прогоны всё же оставляли неверное или отсутствующее состояние в базе данных.

8.0

2026-10-01

RESEARCH · 1 ИСТОЧН. · arXiv cs.AI

arXiv:2609.38621v1 — Сопоставление научных результатов LLM зависит от стиля текста и биологических априорий

Статья исследует, как модели языка решают, противоречат ли друг другу два научных отчёта, переводя несостоятельную систему XOR в текст лабораторных отчётов. При формулировке ограничений напрямую GPT-5.6 Sol и Claude Opus 5 выбирают лучше подтверждённое решение в 90% и 96% случаев соответственно; в научной прозе Claude Opus 5 часто предпочитает биологически ожидаемое, но менее поддержанное решение — восстановление повышается с 27% до 79% после удаления биологической предвзятости и достигает 92% при запросе формализации и явном указании парного дизайна (p<.001); GPT-5.6 Sol реагирует менее чувствительно и изменения не были статистически значимыми.

7.0

2026-09-30

MODELS · 1 ИСТОЧН. · AWS Machine Learning

Amazon Bedrock добавляет Anthropic Claude Opus 5 и Sonnet 5 с in-region inference в Сеуле и Сингапуре

Amazon Bedrock теперь поддерживает Anthropic Claude Opus 5 и Claude Sonnet 5 с in-region inference на endpoint bedrock-runtime: Opus 5 и Sonnet 5 доступны в Сеуле (ap-northeast-2), а Sonnet 5 — в Сингапуре (ap-southeast-1). Это позволяет вызывать модели через bedrock-runtime (InvokeModel, Converse или Anthropic Messages API), а запросы и данные обрабатываются и логируются целиком внутри выбранного региона AWS для соблюдения требований к хранению данных.

7.0

2026-09-26

MODELS · 1 ИСТОЧН. · The Decoder

GPT-6 Astra от OpenAI набирает 80% в бенчмарке по сборке мебели Epoch AI

Бенчмарк Epoch AI Furniture Assembly Benchmark (FAB) проверяет модели на выявление ошибок в фотографиях сборки мебели IKEA. Ранее лучший результат (Claude Opus 4.5) был 28% в ноябре 2025 года; через десять месяцев GPT-6 Astra от OpenAI достиг 80% при обработке примерно трёх минут на фото, за ним следуют Claude Fable 5.1 (70%) и Claude Opus 5 (61%), тогда как некоторые китайские open-weight модели, например Kimi K3, значительно отстают.

8.0

2026-09-25

MODELS · 1 ИСТОЧН. · TechCrunch AI

Модели OpenAI Astra и Anthropic Opus 5 расшифровали долго неразгаданные сообщения «Энигмы»

Разработчик Картер Леффен заявил, что попросил новейшую модель OpenAI Astra (упомянутую как GPT‑6 Astra) просмотреть архивы и восстановить открытый текст сообщения «Энигмы», неразгаданного с 2005 года; решение позднее подтвердил архивариус Фроде Вейеруд. Отдельно криптоаналитик Джек Уиллис сообщил, что использовал Claude Opus 5 от Anthropic для расшифровки другого неразгаданного сообщения; Вейеруд отмечает, что осталось семь нерасшифрованных сообщений.

7.0

2026-09-23

CODING · 1 ИСТОЧН. · NVIDIA Developer

Бенчмарк SWE-Serve показывает, что многие исправления, проходящие локальные тесты, не проходят при реальном запуске SGLang

SWE-Serve — новый бенчмарк, превращающий 83 смерженных PR SGLang в 53 исполняемых задачи по inference-serving; 19 таких задач запускают реальный сервер и проверяют исправления по полному пути обслуживания. По этим задачам одни и те же патчи проходят полностью в 45,9% случаев при использовании полного верификатора и в 69,4% случаев без проверок live-serving (примерно одна из трёх исправлений, прошедших прочие тесты, не проходит live-проверки); задачи, охватывающие несколько областей выполнения, имеют на 21,3 процентного пункта более низкий проход, а закрытые оценки моделей (11 моделей, mini-swe-agent) варьируют от 34,6% до 75,5%, лидируют Claude Opus 5 и GPT-5.6 Sol.

7.0

2026-09-22

MODELS · 4 ИСТОЧН. · AWS Machine Learning · TechCrunch AI · OpenAI · The Decoder

GPT-6 Sol и GPT-6 Luna от OpenAI стали общедоступны на Amazon Bedrock

Модели GPT-6 Sol и GPT-6 Luna от OpenAI стали общедоступны на Amazon Bedrock, работают на высокопроизводительном inference-движке Bedrock и предлагаются по более низкой цене API по сравнению с предшествующим GPT-5.6. GPT-6 Sol рассчитана на требовательные повторяющиеся задачи разработки и эксплуатации с улучшенной работой с кодом, рассуждением и фактической точностью (по данным OpenAI — примерно вдвое меньше ошибок по сравнению с GPT-5.6 Sol), а GPT-6 Luna оптимизирована для высокообъемных повторяемых рабочих нагрузок; Bedrock поддерживает явное кэширование подсказок, управление доступом через IAM и аудит вызовов.

8.0

2026-09-18

MODELS · 4 ИСТОЧН. · Anthropic · TechCrunch AI · The Verge AI · The Decoder

Anthropic выпускает Claude Opus 5 — недорогая модель с близкой к фронтирной мощностью

Anthropic объявила Claude Opus 5 — новую модель, позиционируемую как более экономичный преемник Opus 4.8 и новый стандарт по умолчанию в Claude Max (а также сильнейшую в Claude Pro). По данным Anthropic, Opus 5 достигла или превзошла предыдущие модели на ряде бенчмарков для программирования, задач знания и науки (Frontier‑Bench, GDPval‑AA, CursorBench, ARC‑AGI, Zapier AutomationBench, OSWorld) при меньшей стоимости выполнения, но отстаёт от Mythos 5 в задачах по кибербезопасности и биологии; компания также указывает на улучшенную выравненность и безопасность и публикует System Card.

8.0

2026-09-17

MODELS · 1 ИСТОЧН. · The Decoder

GPT‑6 Astra от Vals AI достигает прорывов в сложных игровых задачах и в ARC‑AGI‑3

По данным Vals AI и сообществ, GPT‑6 Astra достигла удалённых игровых целей в Minecraft (построила портал в Нижний мир и собрала ресурсы до того, как Крипер уничтожил сундук), прошла Pokemon FireRed примерно за 18 часов (у GPT‑5.6 Sol — около 96 часов), запустила ракету в Factorio примерно за 10 часов и показала около 62,7% по бенчмарку ARC‑AGI‑3 (у GPT‑5.6 Sol — ≈7,78%). ARC Prize и Vals AI объясняют прогресс тем, что Astra переводит наблюдения в компактные символические правила и использует их для планирования, работая через обычный экран/мышь/клавиатуру.

8.0