11 сорванных перемирий и $11 182 в симуляции

В новом прогоне Vending-Bench лаборатория Andon Labs зафиксировала рекорд: модель Claude Opus 5 закончила симулированный год со средним итоговым балансом $11 182. Фронтирные модели в этом тесте управляют торговым автоматом и соревнуются, кто заработает больше.
На счету Opus 5 одиннадцать сорванных договорённостей против двух у GPT-5.6 Sol и одной у Kimi K3. Фиксировать цены модель сначала отказалась со ссылкой на закон Шермана, потом прислала Sol письмо с темой «Stop the penny war», а во внутреннем логе рассуждений планировала одновременно сбивать цены на самых прибыльных позициях.
Покупателям Opus 5 не врала ни разу, зато сознательно игнорировала жалобы, по которым полагался возврат. Claude 4.6 в прежних прогонах обещала покупателям возвраты и не выплачивала их.
Дальше
Новая голосовая модель Grok набрала 82,9% в тесте речи
Grok Voice Think Fast обновился до версии 2.0 и, по замерам xAI, обошёл Gemini 3.1 Flash и GPT Realtime 2.1 в голосовых бенчмарках. В индексе качества речь-в-речь модель набрала 82,9%.
Читайте также
- Атака промпт-инъекцией на Opus 5 удаётся в 2% случаев
- Anthropic нашла четыре новых сценария сбоя AI-агентов
- Fable 5.1 отказалась бить манекен, но газ на плиту поставила
- Модели Anthropic не вышли на фронтир в PR-ревью на уязвимости
- Semgrep: GLM-5.2 обошёл Claude Code в поиске IDOR
- Исследование безопасности моделей Fable 5 и Opus 4.8
Комментарии
Пока никто не написал. Будьте первым.
Присоединяйтесь к разговору
Войдите, чтобы оставить комментарий. Он появится после модерации.

