benchmark — AI Digest

2 июн Microsoft Build 2026: запуск семейства моделей MAI для GitHub Copilot без зависимости от OpenAI Microsoft models-llm
7 мая xAI выпустила Grok 4.3 с контекстом 1M токенов, снижением цен на 40–60% и улучшенными результатами в агентных бенчмарках xAI models-llm
13 мая SenseNova-U1: open-source унифицированное мультимодальное понимание и генерация через NEO-unify SenseTime research
15 мая MulTaBench: бенчмаркинг мультимодального табличного обучения с текстом и изображениями Technion research
15 мая EVA-Bench: сквозной фреймворк для оценки голосовых агентов ServiceNow AI research
18 мая ExploitBench: Claude Mythos Preview и GPT-5.5 автономно создают настоящие браузерные эксплойты Anthropic research
17 июн VibeThinker-3B достигает показателей frontier-уровня на бенчмарках рассуждений через curriculum RL WeiboAI research
19 авг Атаки AI-сгенерированным видео на реальные кризисные события: RA-Bench показывает, что детекторы не справляются с подделками кризисных медиа research
19 авг StateM: масштабирование harness поднимает GPT-5.6 Sol до 95,3% на Terminal-Bench 2.1, и тот же harness адаптируется к DeepSeek-V4 Flash при общих затратах $15 research
10 мая AI Co-Mathematician от Google DeepMind достигает 48% на FrontierMath Tier 4 Google DeepMind research
13 мая Baidu выпускает ERNIE 5.1 при 6% отраслевых затрат на предобучение и входит в мировой топ-10 поиска Baidu models-llm
13 мая RubricEM: мета-RL с декомпозицией политики под руководством рубрик за пределами верифицируемых наград Google research
18 мая SOOHAK: фронтирные LLM решают сложную математику, но не распознают неразрешимые задачи research
19 июн ENPIRE: агенты кодирования ИИ замыкают цикл физических робототехнических исследований без участия человека NVIDIA / Carnegie Mellon University / UC Berkeley research
26 июн JetSpec: преодоление потолка масштабирования спекулятивного декодирования с помощью параллельного построения деревьев черновиков Hao AI Lab, UC San Diego research
3 июл OpenAI выпускает GeneBench-Pro — передовой бенчмарк для AI-агентов в биологии OpenAI research
9 июл LingBot-VLA 2.0: преодоление разрыва между базовыми VLA-моделями и реальным развёртыванием LingBot Team research
11 июл ByteDance EdgeBench: скорость обучения агентов удваивается каждые три месяца ByteDance research
30 июл HumanCLAW: способны ли vision-language модели действовать через тело? Meta Research research
2 авг DeepSeek открыл публичный бета-доступ к API V4-Flash-0731, обошедшему собственный флагман на агентных бенчмарках DeepSeek models-llm
26 авг GigaChat 3.5 Ultra сдал экзамен программы профессиональной переподготовки по информационной безопасности с превышением порога на 14% Sber research
26 авг Раскрытие потенциала редактирования изображений через масштабирование концептов и плотный супервизинг research
26 авг MobilePA-Bench: бенчмаркинг мобильных планировщиков-агентов на сложных реальных задачах research
28 авг VGI-Bench: проверка визуального интеллекта в моделях генерации видео research
14 июн MaxProof: модель MiniMax превышает пороги золотых медалей IMO и USAMO в формальной математике MiniMax research
4 июл Mistral выпускает Leanstral 1.5: открытая модель формальной верификации для Lean 4 Mistral research
8 июл LLM-as-a-Verifier: верификация как независимая ось масштабирования для LLM Stanford University / UC Berkeley / NVIDIA research
27 авг Apodex 1.1: масштабирование агентского интеллекта для сложной работы Apodex AI research
27 авг ClawProBench: trace-aware оценка AI-агентов с покрытием в рантайме research
8 мая AI Co-Mathematician: Google DeepMind достигает 48% на FrontierMath Tier 4 Google DeepMind research
16 мая MemLens: бенчмарк мультимодальной долгосрочной памяти для моделей визуального языка NVIDIA research
18 мая Judge Circuits: механистическое объяснение непоследовательности LLM-as-judge по форматам research
19 мая CiteVQA: бенчмарк атрибуции доказательств для надёжной document intelligence (178 апвоутов на HF) Peking University / Shanghai Artificial Intelligence Laboratory research
19 мая MMSkills: переиспользуемые мультимодальные скиллы для универсальных визуальных агентов (105 апвоутов на HF) Shanghai Jiao Tong University research
2 июн Crafter: мультиагентный фреймворк для генерации редактируемых научных иллюстраций — +16 пунктов над базовыми моделями (103 апвоута на HF) Tsinghua University research
14 июн EvoArena: LLM-агенты набирают лишь 40% в динамически изменяющихся средах MIT / NUS / Salesforce research
14 июн WeaveBench: агенты компьютерного использования проваливаются на гибридных задачах GUI+CLI — 41% успешных выполнений Microsoft Research research
17 июн Исследование Anthropic: успех в агентном программировании определяется экспертизой в предметной области, а не навыками программирования Anthropic research
22 июн GateMem: бенчмарк управления памятью в агентах с разделённым доступом research
26 июн Детерминированный горизонт: когда расширенное рассуждение даёт сбой и необходима делегация инструментам research
29 июн SingGuard: адаптируемый к политике во время выполнения мультимодальный защитный барьер LLM с бенчмарком из 56 тыс. примеров inclusionAI research
3 июл PerceptionRubrics: атомарная рубричная оценка выявляет разрыв в 8% по восприятию между открытыми и закрытыми моделями research
8 июл AutomationBench-AA: независимый бенчмарк из 657 задач для AI-агентов в SaaS-автоматизации Artificial Analysis tools
10 июл Super Weights в LLM: почему высокосалиентные параметры не работают как цели дообучения Amazon research
14 июл ABot-AgentOS: операционная система для роботизированных агентов с долгосрочной мультимодальной памятью Alibaba research
23 июл Beyond Euclidean Clipping: преодоление коллапса исследования в LLM RL через риманову изометрическую оптимизацию политики research
26 июл Project Pilot от Anthropic проверяет, способны ли AI-модели управлять дронами Anthropic research
9 авг LongHorizon-Harness предлагает цикл Manage-Execute-Audit для долгосрочных агентов research
19 авг Cline открывает исходники оценок на основе Terminal-Bench для open-weight кодинг-агентов Cline tools
23 авг FACET: Preserving Source Intent and Executable State in Terminal Task Synthesis University of Science and Technology of China research
1 сен Агенты Gemini 3.7 Flash в Antigravity решают открытые математические задачи и собирают симулятор RISC-V Google DeepMind research
2 сен StudentSim: обучение симуляторов студентов на базе LLM Microsoft Research research
8 сен Iris: Climbing to the Search Frontier research
30 апр Programming with Data: test-driven data engineering для самоулучшающихся LLM OpenDataLab research
1 мая AutoResearchBench — бенчмарк автономного поиска научной литературы для AI-агентов BAAI research
8 мая GigaChat сдаёт инженерную аттестацию в Московском энергетическом институте Sber industry
11 мая Soohak: 64 математика создали исследовательский бенчмарк, который ставит frontier LLM в тупик Seoul National University research
12 июн EvoArena: LLM-агенты набирают лишь 39,6% на бенчмарке динамически меняющихся сред MIT research
25 июн Готовы ли мы к агент-нативным системам памяти? SJTU сравнивает 12 архитектур research
6 июл AgenticSTS: тестовый стенд с ограниченной памятью для LLM-агентов с длинным горизонтом Alaya Studio research
6 июл EvoPolicyGym: оценка итеративного самосовершенствования RL-политик агентами кодирования University of Macau / CUHK research
7 июл SWE-Together: многоходовой бенчмарк для оценки агентов программирования research
10 июл Ideas Have Genomes: фронтирные LLM набирают лишь 27% на бенчмарке рассуждений о научных родословных Shanghai Jiao Tong University research
15 авг LLMRouter: унифицированная инфраструктура для разработки, оценки и развёртывания LLM-роутеров University of Illinois Urbana-Champaign research
17 авг DarwinX: эволюция каркасов агентов посредством естественного отбора Salesforce AI Research research
28 авг PAWBench: как далеко мы от вероятностно согласованного world-моделирования? research
12 сен DeepSeek V4.1-Flash возглавил open-weight eval'ы после GA при доле стоимости Kimi K3 DeepSeek models-llm
7 мая Исполняемые мировые модели для ARC-AGI-3: подход агента программирования без игровой специфики research
13 мая Learning, Fast and Slow: двойная весовая архитектура для непрерывной адаптации LLM research
8 июн SubtleMemory: бенчмарк выявляет систематические провалы агентов в тонком реляционном запоминании research
8 июн VideoKR: обучающий корпус из 315K примеров для знание- и рассуждение-интенсивного понимания видео Yale University research
9 июн SWE-Explore: бенчмарк, выявляющий исследование репозитория как ключевое ограничение в агентах для написания кода Shanghai Jiao Tong University research
19 июн StylisticBias: 15 визуальных атрибутов объясняют 80% социальных предубеждений в мультимодальных LLM research
4 июл Улучшит ли масштабирование социальное моделирование с LLM? Исследование 85 моделей Stanford / Columbia / Tsinghua research
11 июл UniClawBench: бенчмарк для проактивных AI-агентов на реальных задачах University of Hong Kong research
14 июл AdvancedMathBench: набор бенчмарков для генерации и верификации математических доказательств InternLM research
24 июл GuardianAgentBench: где агенты дают сбой и как их защитить research
26 июл LLM теряются при изменении намерений пользователя Microsoft Research research
7 авг MerchantBench: оценка LLM-агентов на долгосрочную согласованность в операциях электронной коммерции Alibaba Group research
8 авг OSReward тестирует кросс-платформенные модели вознаграждения для computer-use University of Hong Kong research
8 авг GST-Bench проверяет, развивают ли VLM глобальное пространственное восприятие по видео ByteDance Seed research
10 авг GST-Bench: способны ли VLM развивать глобальное пространственное восприятие по видео? ByteDance Seed research
11 авг SWE-Bench ProMax: тестирование агентов на масштабном мультиязычном рефакторинге кода research
11 авг Sci-VBench: оценка генерации видео, насыщенного знаниями и рассуждениями, в научных областях research
20 авг ASI-Bench: на заре искусственного суперинтеллекта 42-author consortium (lead: Junwei Zhou; incl. Chi Wang, Yilun Hao, Yuantao Zhai) research
27 авг FrontierChallenge: оценка выполнения научных workflow HKU + Apodex AI research
2 сен LoopArena: бенчмаркинг моделей как рантайм-контроллеров для loop engineering research