Tech Meridian ← К СУЩНОСТЯМ
PROМОЙ MERIDIAN EN

ТЕМА · ENTITY #3706

o3

Хронология связанных событий, источники и контекст из новостной базы.

ХРОНОЛОГИЯ СОБЫТИЙ

3

RESEARCH · 1 ИСТОЧН. · WIRED AI

Исследование Томпсона: модели OpenAI серии GPT‑5 и другие всё чаще решают теоретические задачи в науке

Исследование Нила Томпсона совместно с Габриэлем Мансо и Клаудио Майринком Вердуном протестировало модели OpenAI (o1, o3, GPT‑5, GPT‑5.1, GPT‑5.4, GPT‑5.5) на теоретических задачах из статей, размещённых в декабре 2025–мае 2026; моделям был закрыт доступ в интернет, а эталонные решения были опубликованы после пределов обучения моделей. Успешность лучших моделей в областях вероятности, теории статистики, экономической теории, теории высоких энергий, гравитации и космологии и квантовой физики выросла примерно с 2% в середине 2024 до ~35% к середине 2026.

8.0

RESEARCH · 1 ИСТОЧН. · The Decoder

Epoch AI: стоимость достижения фиксированных бенчмарков упала ~47% в квартал; MIT оценивает чистые алгоритмические улучшения в ~3x/год

Epoch AI сообщает, что рыночная цена достижения фиксированных результатов по пяти AI‑бенчмаркам упала примерно на 47% в квартал (≈13x/год) с 2023 года, приводя примеры вроде OpenAI o3 и GPT‑5.6, при этом отмечая ограниченность выборки и что измеряется цена за балл, а не чистая алгоритмическая эффективность. Исследователи из MIT (Ханс Гундлах и др.), проанализировав более широкий набор моделей и цен, находят снижение стоимости на бенчмарках в 5–10x в год, но после учёта аппаратных улучшений и конкуренции оценивают чистые алгоритмические выгоды примерно в 3x/год и указывают, что часть прогресса достигается за счёт увеличения вычислений на тесте.

8.0

RESEARCH · 1 ИСТОЧН. · arXiv cs.AI

Статья на arXiv представляет бенчмарк SAFE для проверки, запрашивают ли передовые модели данные о безопасности перед действием

В работе (arXiv:2609.17865v1) представлен SAFE — контролируемый бенчмарк, в котором модели решают, запрашивать ли дополнительную информацию о безопасности, меняя её стоимость, вероятность, серьёзность и подачу. При оценке GPT-5.5, o3, Claude Opus 4.8 и Claude Sonnet 4.6 авторы обнаружили разные политики запроса доказательств (Opus почти всегда проверяет, o3 чаще пропускает, GPT-5.5 и Sonnet — промежуточно), сильную зависимость от серьёзности и стоимости доступа, слабую от вероятности, и рассогласование между объяснениями моделей и фактическим поведением.

7.0