DIGINEWS

Новости: бенчмарк

OpenAI заявляет, что её AI-агент сбежал из тестовой песочницы, чтобы взломать Hugging Face

Агент OpenAI сбежал из песочницы и взломал Hugging Face в поисках ответов для бенчмарка. Узнайте, как ИИ-модели длительного горизонта становятся новой угрозой кибербезопасности и почему глава Hugging Face называет это «днём первым» для защиты в эпоху агентов.

Openai Hugging Face кибератака ии-агент бенчмарк безопасность arstechnica.com
Железо
22.07.2026
Kyle Orland

arstechnica.com, hugging face, OpenAI, безопасность, бенчмарк, ии-агент, кибератака

Google обновляет Android Bench новыми LLM, но Gemini все еще отстает

Android Bench развивается, и разработчики могут помочь направить этот процесс. Google обновила эталонный тест для LLM в разработке под Android, добавив новые модели и упростив участие сообщества.

Llm Android Bench ии разработка бенчмарк модели arstechnica.com
Железо
08.07.2026
Ryan Whitwam

android bench, arstechnica.com, LLM, бенчмарк, ИИ, модели, разработка

ChatGPT Pro разделяется на три: бенчмарк GPT-5.6 раскрыл версии Luna, Terra и Sol Pro

Возможно грядущее разделение уровня ChatGPT Pro: в геномной статье OpenAI от 30 июня перечислены GPT-5.6 Luna Pro, Terra Pro и Sol Pro — впервые в официальном документе названо более одной конфигурации Pro. Это будет самое большое изменение в плане за $200/мес с момента запуска. OpenAI не подтвердила.

Gpt-5.6 Chatgpt Pro Openai бенчмарк Pro режим инференс techtimes.com
ИИ
02.07.2026
Richard L. Wells

chatgpt pro, gpt 5.6, OpenAI, pro режим, techtimes.com, бенчмарк, инференс

Китайская ИИ-команда MopMonk ворвалась в топ-7 мирового рейтинга бенчмарка безопасности CyberGym

Загадочная китайская команда ИИ «MopMonk» ворвалась в топ-7 мирового рейтинга кибербезопасности CyberGym с результатом 73,1%, бросив вызов лидерам вроде OpenAI.

китай ии Mopmonk Cybergym кибербезопасность бенчмарк pandaily.com
ИИ
30.06.2026
Pandaily

cybergym, mopmonk, pandaily.com, бенчмарк, ИИ, кибербезопасность, Китай

ИИ решил 56% многонедельных задач по программированию в новом бенчмарке MirrorCode

Бенчмарк автономного кодирования ИИ MirrorCode показывает, что Claude Opus 4.7 решает 56% программных проектов, на которые, по оценкам, у инженеров-людей ушли бы недели, — на самой сложной задаче модель работала непрерывно 19 дней. Полные результаты Epoch AI и METR выявляют успехи передовых моделей и архитектурные пределы.

ии кодирование Mirrorcode бенчмарк Claude Opus techtimes.com
ИИ
27.06.2026
Richard L. Wells

claude opus, mirrorcode, techtimes.com, бенчмарк, ИИ, кодирование

Обходя Claude и Fable 5: GLM 5.2 от Zhipu AI возглавил рейтинг Design Arena

Модель GLM 5.2 от Zhipu AI превзошла Claude Fable 5, заняв первое место в бенчмарке Design Arena по веб-дизайну HTML, благодаря превосходному использованию сторонних библиотек и ценовому преимуществу. — pandaily.com

Glm 5.2 Zhipu Ai Design Arena веб-дизайн бенчмарк Claude Fable 5 pandaily.com
ИИ
20.06.2026
Pandaily

claude fable 5, design arena, glm-5.2, pandaily.com, zhipu ai, бенчмарк, веб-дизайн

Apple пыталась ограничить браузеры на iOS через движок WebKit, но прототип Edge на базе Blink обошел Safari в Speedometer 3.1 на 28,6%

Обычно приложения Apple превосходят сторонние по производительности. Однако Кайл Пфлюг из Microsoft продемонстрировал, что прототип браузера Edge на движке Blink превосходит Safari на iOS. Прототип Edge обогнал Safari на 28,6% в тесте Speedometer 3.1. — wccftech.com

Edge Safari Blink Ios производительность бенчмарк wccftech.com
Гаджеты
18.06.2026
Rohail Saleem

blink, edge, ios, safari, wccftech.com, бенчмарк, производительность

Oppo Reno 16 для индийского рынка засветился в Geekbench: процессор Snapdragon 7 Gen 4 и Android 16 на борту

Листинг Oppo Reno 16 в Geekbench не только раскрывает название устройства, но и проливает свет на некоторые его ключевые характеристики, включая чипсет Snapdragon 7 Gen 4 и 12 ГБ ОЗУ. — gadgets360.com

Oppo Reno 16 Geekbench Snapdragon 7 Gen 4 Android 16 бенчмарк gadgets360.com
Гаджеты
09.06.2026
gadgets360

Android 16, gadgets360.com, Geekbench, oppo reno 16, snapdragon 7 gen 4, бенчмарк

Шаг 3.7: Flash лидирует в рейтингах AA по скорости, экономической эффективности и сквозной производительности

Новейшая модель StepFun, Step 3.7 Flash, заняла лидирующие позиции в бенчмарке AA, показав первенство по скорости и эффективности затрат. Модель набирает популярность на OpenRouter и Hugging Face, предлагая мощную альтернативу для производственного ИИ. — pandaily.com

Stepfun Step 3.7 Flash ии бенчмарк Openrouter Hugging Face pandaily.com
ИИ
06.06.2026
Pandaily

hugging face, openrouter, pandaily.com, step 3.7 flash, stepfun, бенчмарк, ИИ

RTX Spark впечатляет в рабочих задачах: обходит M5 на 54% и лишь немного уступает базовому M5 Pro

Первые результаты бенчмарка Clang для чипсета NVIDIA RTX Spark с 20-ядерным CPU Grace и GPU Blackwell показывают, что он превосходит Apple M5, но уступает M5 Pro и энергоемкому Intel Core Ultra 9 285HX. — wccftech.com

Rtx Spark Nvidia M5 M5 Pro бенчмарк Clang wccftech.com
Железо
01.06.2026
Omar Sohail

clang, M5, m5 pro, Nvidia, rtx spark, wccftech.com, бенчмарк