GPT-5

2026-10-28

MODELS · 1 ИСТОЧН. · WIRED AI

Автор поручил команде ИИ на основе Codex управление фэнтези-составом АПЛ — пока не лучше людей

Автор создал с помощью OpenAI Codex «каркас», координирующий десятки ИИ‑агентов (читают новости, моделируют, критикуют) для управления фэнтези‑командой АПЛ; система стала лучше по сравнению с прошлым, но пока не превзошла средних человеческих результатов. В статье цитируется исследование Хайфэна Сю и коллег, в котором передовые модели (GPT‑5, Grok 4, Claude Sonnet, Gemini, Llama) показали улучшение в прогнозах на бенчмарках вроде Prophet Arena, тогда как эксперименты Prediction Arena и ForecastBench дают смешанные результаты и признаки улучшения моделей со временем.

5.0

2026-10-28

RESEARCH · 1 ИСТОЧН. · arXiv cs.AI

«Подсчёт пластырей»: о том, как измерять время, которое экономит ИИ

Новая статья на arXiv (2610.35942v1) отстаивает «книгу учета» для измерения экономии времени от ИИ, которая сопоставляет сэкономленное время с контрфактическими дополнительными пропущенными дефектами; вводит безмодельные величины (сэкономленное время, дополнительные пропущенные дефекты) и число безубыточности по стоимости дефекта, предлагает базовую модель проверки, обсуждает идентифицируемость в рандомизированных исследованиях, реплицирует исследование разработчиков METR (те же 246 задач показывают замедление на 19%–24% в зависимости от оценивания; 34% без поправки на дисбаланс; ИИ помог в 3%–82% случаев), указывает, что в рабочем процессе GDPval предельное ускорение GPT-5 составляет 3,6x, и проверяет предсказания модели в небольшом эксперименте, где уменьшение проверки (при оптимистичной оценке частоты ошибок автора) дало быстрее, но хуже результаты.

7.0

2026-10-26

RESEARCH · 1 ИСТОЧН. · arXiv cs.AI

Сравнительное исследование: FISER против CEMIR для распознавания прагматических намерений

Исследование на arXiv сравнивает FISER (структурированное социально-эмбеддед-рассуждение) и CEMIR (контекстное мультимодальное распознавание намерений с синтезом нарративов и фотореалистичных изображений) на бенчмарке HandMeThat v2 с четырьмя LLM от Qwen2.5-Omni-3B до GPT-5. При множественной корректировке сравнений и при абляциях, изолирующих нарративную и визуальную составляющие, статистически значимой разницы не обнаружено: результаты в основном зависят от мощности базовой модели и сложности задач.

6.0

2026-10-22

RESEARCH · 1 ИСТОЧН. · TechCrunch AI

Система MAI-DxO от Microsoft обошла врачей общей практики в симуляции сложных случаев — исследование в Science

Microsoft опубликовала статью в Science, где сообщает, что её система оркестрации ИИ MAI-DxO правильно диагностировала 83% сложных случаев из New England Journal of Medicine в симуляции, тогда как отдельные врачи общей практики с материалами справки — 36%; в сравнении не участвовали специалисты или команды врачей, которые обычно занимаются такими случаями. В исследовании тестировали несколько базовых моделей (лучшие результаты получили с GPT-5 и GPT-5.5), показано, что DxO приносит наибольшую пользу при сложных случаях и для менее мощных моделей; Microsoft планирует обучить медицинскую модель совместно с Mayo Clinic и провести полевые оценки в Beth Israel Deaconess.

8.0

2026-10-19

RESEARCH · 1 ИСТОЧН. · arXiv cs.AI

Иерархическое планирование LLM с обратной связью для многокомпонентных кибер-физических систем (arXiv:2610.22441v1)

В версии arXiv v1 предложена иерархическая схема с обратной связью: LLM генерируют структурированный план задач и ограничения в виде STL, система выявляет явные противоречия и возвращает диагностику неудачной синтезируемой управления обратно для перепланирования. Авторы привели эксперименты на семи разнообразных много-компонентных сценариях CPS и сообщают о достижении 87,9% успеха при использовании GPT-5 для получения исполнимых планов и управлений, удовлетворяющих исходной задаче на естественном языке.

7.0

2026-10-14

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

2026-09-27

MODELS · 1 ИСТОЧН. · The Decoder

OpenAI заявляет, что большая часть исследований направлена на GPT‑7 и далее

Борис Пауэр, руководитель прикладных исследований OpenAI, в интервью THE DECODER сообщил, что примерно 80–90% исследований компании направлены на будущие поколения моделей (GPT‑7, GPT‑8 и далее), поскольку именно они приносят наибольшую ценность; внутригенерационные обновления рассматриваются как краткосрочные тактические ставки. Он также отметил, что основной проблемой остаётся адаптация пользователей — будущие модели (GPT‑6 и позднее) должны лучше демонстрировать свои возможности и принимать цели более естественно.

7.0

2026-09-18

RESEARCH · 1 ИСТОЧН. · WIRED AI

Эксперты: риск биологического оружия с участием ИИ реален, но не является неминуемой угрозой человечеству

В статье рассматриваются недавние опасения — в том числе отчет Anthropic о попытках использовать Claude для биозлоупотреблений и исследования, показывающие, что ИИ может проектировать вирусные геномы — и приводятся мнения учёных, утверждающих, что хотя ИИ ускоряет доступ к биологической информации, значительные технические, материальные и человеческие барьеры делают автономное создание и распространение новых биологоружий маловероятным сегодня. Также упоминаются призывы лидеров ИИ к регулированию синтетической ДНК и передовых возможностей.

6.0