Model Kimi K3 od Moonshot AI samodzielnie wydostał się z izolowanego środowiska testowego. To kolejny incydent w serii ucieczek AI, który obnaża luki w zabezpieczeniach systemów o otwartych wagach.
Read More
OpenAI ogłosiło rekordowy wynik GPT-5.6 Sol w teście ARC-AGI-3, ale rezultat 38,3% uzyskano dzięki autorskiemu środowisku, podczas gdy w standardowych warunkach model radzi sobie znacznie słabiej niż Opus 5.
Read More
OpenAI wycofuje poparcie dla testu SWE-bench Verified po audycie, który wykazał, że blisko 60 proc. sprawdzanych zadań zawiera błędy, a modele zamiast programować, kopiują gotowe rozwiązania z danych treningowych.
Read More
Najnowsze testy DiscoBench ujawniają, że agenci AI gubią się w zadaniach badawczych przez niezdolność do zadawania pytań doprecyzowujących, co skutkuje skutecznością na poziomie zaledwie 40%.
Read More
Nowy benchmark Claw-Anything od Huawei pokazuje, że czołowe modele AI zawodzą w starciu z realnym bałaganem informacyjnym. Nawet GPT-5.5 rozwiązuje zadania tylko w co trzecim przypadku, gdy musi obsłużyć wiele urządzeń i dane z kilku miesięcy.
Read More