StarSkirmish — бенчмарк, где большие языковые модели пишут ботов для StarCraft: Brood War за час. Новая версия v0.2 тестирует GPT-6 Astra, Claude Opus 5.5, Gemini 4 Argon и другие модели, оценивая их способность к долгосрочному планированию и итеративному улучшению кода.
Исследование Mercor показало, что из 923 профессий в США только 208 имеют задачи, покрытые современными AI-бенчмарками. При этом 90% американского рабочего времени приходится на задачи, которые практически не представлены в существующих тестах для моделей.
DeepSeek 4.1 Flash демонстрирует производительность уровня frontier-моделей при цене на порядки ниже. Месяц интенсивного использования показал, что качество работает не хуже Claude Opus, а экономия на кэшировании меняет подход к разработке.
Fireworks Research представила Ember-1 — специализированный LLM, который доставляет качество Kimi K3, но использует на 40% меньше токенов. Модель обучена генерировать более эффективные цепочки рассуждений, сохраняя точность на бенчмарках и в production-тестах.
M6 Mac Mini обеспечивает стабильную эмуляцию Pentium II на частоте 600 МГц в 86Box — на 20% выше, чем у M4, благодаря превосходной производительности одного ядра. Тестирование показало, что для эмуляции ретро-ПК критична скорость отдельного потока, где Apple Silicon выгодно выделяется среди конкурентов.
Tailscale развивает инфраструктуру для работы с высокими нагрузками: оптимизирует буферизацию пакетов, вводит многоочередную обработку для маршрутизаторов подсетей и узлов выхода, внедряет кеширование сетевых карт для быстрого запуска в условиях плохого соединения.
TypeSafe представила Jev — новый подход к LLM, который пропускает генерацию текста и возвращает калиброванные вероятности прямо из распределения одного токена. OpenAI может быстро повторить эту идею, но лучший ход — встроить классификацию в собственные модели для более умного рассуждения и дешёвого роутинга.
Anthropic представила Claude Opus 5.5 — первую модель из нового семейства Claude 5.5. Она достигает производительности Claude Fable 5.1 на большинстве задач, но стоит на 40% дешевле. Модель прошла предварительную оценку внешних проверяющих и показывает лучшие результаты в тестировании поведения и безопасности.
Apple iPhone 18 Pro получил оценку 172 балла за качество фотокамеры, продемонстрировав отличное общее производство с широким динамическим диапазоном, улучшенной контрастностью и стабилизацией. Переменная диафрагма позволяет камере поддерживать резкость в сложных сценах с несколькими объектами съёмки.
Исследование показало, как различные языковые модели (Codex, Claude, Grok) играют в StarCraft: Brood War. Codex Astra продемонстрировала самые сильные результаты с 100% победой в одной конфигурации, тогда как Grok оказалась неспособна построить армию. Все модели пока не выходят за уровень новичка.
Cactus представила Needle 3 — фундаментальную модель для автоматизации на миниатюрных устройствах. За счёт архитектуры с масштабируемыми подсетями один набор весов обеспечивает модели от 2 до 20 слоёв, работающие на Raspberry Pi и смартфонах, при этом 4-слойная версия после тонкой настройки соответствует по производительности DeepSeek V4 Flash.
Исследователи провели систематическое изучение того, как отдельные компоненты каркаса (harness) влияют на производительность автономных агентов при написании кода. Тестирование 176 конфигураций на бенчмарках SWE-Bench и Terminal-Bench показало, что управление контекстом, планирование и выбор действий по-разному влияют на эффективность в зависимости от способностей модели.