Tag: Benchmarking

Aktualności4 listopada 2026

Canva Craft: model najpierw planuje układ, potem rysuje

Canva wypuściła Canva Craft, swój pierwszy własny model generowania obrazów. Najpierw układa plan projektu, potem generuje grafikę do 2K.

Aktualności1 listopada 2026

MAI-DxO: 83 procent trafności wobec 36 u lekarzy ogólnych

Microsoft opublikował w „Science” wyniki MAI-DxO. System koordynujący kilku agentów AI trafił w 83% złożonych przypadków z NEJM, lekarze ogólni w 36%.

Aktualności27 października 2026

42 światy do Gazebo generowane w Blenderze. Apache 2.0 na GitHubie

Otwarty zbiór 42 światów symulacyjnych do testów nawigacji, eksploracji i SLAM. Generowane w Blenderze skryptami Pythona, eksportowane do .sdf.

Aktualności25 października 2026

Gemini 4 Argon globalnie: 68,9% w Vals Index, 2 dolary za milion tokenów

Argon jest dostępny globalnie przez API, w Antigravity i w aplikacji Gemini. Google pokazuje refaktor Chromium i 2,85× przyspieszenie Gemmy 4, a Vals Index daje modelowi 68,90%.

Aktualności16 października 2026

VISTA: Claude Opus 5.0 kończy 25 gier ARC-AGI-3 szybciej niż ludzie

Praca o VISTA trafiła do arXiv 1 października 2026. Bezstratna pamięć wzrokowa podniosła Relative Human Action Efficiency modelu Claude Opus 5.0 z 40,68 do 100,00 bez dotykania wag.

Aktualności14 października 2026

Opus 5.5 pozbył się myślników. Zostało 2548 tropów stylistycznych

Graphite przebadał 9974 tematy i dziesięć modeli. Opus 5.5 ograniczył użycie myślnika o 99%, ale liczba nadużywanych fraz spadła tylko o 4%.

Aktualności4 października 2026

GPT-6.1 Sol: poziom Astry za jedną piątą ceny i 300 tokenów/s

OpenAI wyceniło GPT-6.1 Sol dokładnie na jedną piątą stawek GPT-6 Astra, przy różnicy wyników rzędu dwóch punktów procentowych. Nowa warstwa Ultrafast daje 300 tokenów na sekundę za sześciokrotność ceny.

Aktualności30 września 2026

Grok 4.7: dwa punkty w rankingu za 2,25 raza więcej tokenów

Grok 4.7 poprawia wynik w indeksie Artificial Analysis z 44 do 46 punktów, ale zużywa 2,25 raza więcej tokenów wyjścia niż poprzednik. Jedyna wyraźna przewaga — cena — zniknęła dzień po premierze.

Aktualności29 września 2026

GPT-6 Sol i Luna: OpenAI tnie ceny API o połowę

OpenAI wypuściło GPT-6 Sol (2/10 USD za milion tokenów) i Luna (0,10/0,50 USD) — o połowę taniej niż seria 5.6. Na AutomationBench Sol bije Claude Opus 5 przy koszcie jedenaście razy niższym.

Aktualności21 września 2026

DarwinX: agent z 43,5% na 93% bez dotykania wag modelu

Salesforce opublikował DarwinX — framework ewolucyjnie optymalizujący harness agenta przy zamrożonych wagach modelu. Na WebArena-Infinity skuteczność wzrosła z 43,5% do 93%.

Aktualności20 września 2026

Andon Labs oddaje firmy agentom AI. Menu spadło do tosta z serem

Andon Labs prowadzi sklep w San Francisco i kawiarnię w Sztokholmie, w których decyzje podejmują agenci AI. Gemini przepłacało na produktach łatwo psujących się, a model OpenAI zredukował menu do tosta z serem.

Aktualności6 września 2026

DeepSeek-V4-Flash-Vision-Exp: pierwszy multimodalny model rodziny V4

DeepSeek wydał na licencji MIT pierwszy multimodalny model rodziny V4. Na dwóch benchmarkach agentowych wyprzedza zamknięte Opus-4.8.