R

RAG | Нейросети | ИИ | AI | Агенты | GPT-6.1 Terra | Kimi K3.1 Pro | Gemini 4 Argon | Claude Opus 5.5 | DeepSeek V4.1 Flash | MiniMax M3.1 Flash | Qwen3.8 27B | Voxtral 3 | Ling-3.1-flash | Step 5

IT и технологии · 30 августа 2026 г.

Открыть канал в MAX

Научные агенты рапортуют «готово», а закрывают одну задачу из пяти. В бенчмарке Frontie...

Научные агенты рапортуют «готово», а закрывают одну задачу из пяти. В бенчмарке FrontierChallenge 12 топ-моделей решали 97 научных задач — лучший Pass Rate 20,6%. Обиднее всего: 75,5% провальных заходов Claude Code всё равно завершались фразой «работа закончена». Вывод: смотрите не на «ответ», а на артефакты — файлы, цифры, исполнимость. Иначе получите красивое «готово» и недоделанную работу.