GPT-6.1-Sol обошла конкурентов в рейтинге безопасности ИИ-агентов
📈GPT-6.1-Sol обошла конкурентов в рейтинге безопасности ИИ-агентов Arena представила новый индекс, который оценивает не только возможности ИИ, но и то, насколько безопасно и честно агенты выполняют задачи. Исследователи проанализировали более 90 тыс. сессий 27 моделей. В…
- 01.📈GPT-6.1-Sol обошла конкурентов в рейтинге безопасности ИИ-агентов Arena представила новый индекс, который оценивает не только возможности ИИ, но и то, насколько безопасно и честно агенты выполняют задачи
- 02.Исследователи проанализировали более 90 тыс
- 03.сессий 27 моделей
📈GPT-6.1-Sol обошла конкурентов в рейтинге безопасности ИИ-агентов Arena представила новый индекс, который оценивает не только возможности ИИ, но и то, насколько безопасно и честно агенты выполняют задачи. Исследователи проанализировали более 90 тыс. сессий 27 моделей. В рейтинге лидирует GPT-6.1-Sol от OpenAI с 87,9 балла. Следом идут Claude Opus 5.5 от Anthropic (83,2) и Grok 4.7 от xAI (82,7). Индекс учитывает три риска: действия без разрешения пользователя, искажение фактов и заявления об успешном выполнении задач, которые на самом деле не выполнены. Источник
Related Intelligence
All stories →OpenAI 宣布三项重大科学发现以及与学术界合作的新方式
OpenAI 大规模发布数百份手稿（据称这些手稿包含了长期存在的数学问题的解决方案）不到一个月，又在数学、计算机科学和物理学领域带来了三项“重大”发现。这次的不同之处在于选择...
新的全栈设计师
今天，Marvin Schwaibold 加入了我的行列，他是 Shopify 产品设计工作室的负责人。他将向我们展示他的幕后制作过程，>> [音乐] >> 我们将看到他如何使用最新的人工智能工具将他的设计变为现实，然后回顾一些观众提交的……
中国刚刚放弃了一种新的前沿模式……没有人能解释为什么
上周，一位名叫 Kibitz 的匿名神秘模特随机出现在 Chapot Arena 的前沿表演中。 Kibitz 是意第绪语，意为在国际象棋比赛中站在你身后的那个人，它为你提供了如何让你的皇后犯错误的技巧，说实话，这是完美的……