Статьи по тегу

27 мая 2026, 13:49

Новый тест производительности DeepSWE показал, что GPT-5.5 решает 70% задач по разработке ПО, тогда как Claude Opus 4.7 — 54%. На SWE-Bench Pro картина была ровно обратной: там Opus 4.7 занимал первое

5 мая 2026, 22:05

Свежий бенчмарк ProgramBench использует нестандартный решение к измерению способностей LLM. Схема получает бинарные файлы и документацию ряда приложений (включая FFMpeg), а затем должна самостоятельно

18 апреля 2026, 18:14

Anthropic выкатили новую версию — мы не стали ждать и прогнали внутренний тест производительности на боевых workflow: миграция, рефакторинг, тесты, документация. Читать далее

7 апреля 2026, 16:09

Актриса Милла Йовович наряду с другом, разработчиком Беном Сигманом, выпустила open-source инструмент для долгосрочной памяти ИИ-агентов — MemPalace. Читать далее

23 февраля 2026, 21:24

Компания OpenAI перестала применять SWE-bench Verified — один из самых популярных бенчмарков для оценки того, насколько хорошо ИИ справляется с реальными задачами по программированию. Компания сама со