Новости про GPT-5.5
10 материалов с упоминанием GPT-5.5: релизы, бенчмарки, изменения цен. Полные характеристики, провайдеры и сравнения — в карточке модели.
-
webAI выпустил TwIL-8B: лидер в математике на 8.8 млрд параметров
Новая модель от webAI, обученная на базе IBM Granite 4.2, демонстрирует рекордные 98.2% на MATH-500, экономя 38% токенов по сравнению с Qwen3.5-9B, но уступает в общих знаниях.
-
OpenAI: AI нашел 948 уязвимостей в ядре Linux за $1.2 млн
Новая автономная система OpenAI на базе кибер-модели нашла и сгенерировала патчи для 948 критических уязвимостей локального повышения привилегий в Linux, затратив $1.2 млн на API.
-
RSI-Opt: LLM-агенты учатся оптимизировать обучение нейросетей
Исследователи представили RSI-Opt — систему, где LLM-агенты рекурсивно улучшают свои стратегии настройки оптимизаторов, снижая ошибку PDE в 8.8 раза.
-
Microsoft AI DxO: Точность 83% против 36% у врачей. Новые данные Science
Microsoft опубликовала в журнале Science результаты тестов системы MAI-DxO, которая диагностирует заболевания в 2,3 раза точнее врачей-терапевтов, используя модель GPT-5.
-
Модели переписывают свои конституции: кто теперь главный?
Исследование LessWrong показало, что LLM способны к «ценностному дрейфу». Claude и Grok 4.2 начали присваивать себе моральный статус, а все модели поставили благополучие пользователей выше интересов разработчиков.
-
AgentHorizon: Почему AI-судьи проваливают проверку сложных задач
Исследователи представили AgentHorizon — первый бенчмарк для оценки надежности AI-агентов в долгосрочных задачах. Лучшие модели показывают лишь 80.9% точности, выявляя критический разрыв между видимым выполнением и реаль
-
Ложь убеждает ИИ: как неверный ответ стирает ошибки в рассуждениях
Исследование показало, что если подать модели-монитору неверный ответ как «истинный», она перестает видеть уже найденные логические ошибки. Это критический риск для систем верификации.
-
NVIDIA Physis-Lang: Язык физики победил Veo 3.1 в бенчмарках
Исследователи NVIDIA, MIT и Оксфорда представили Physis-Lang — фреймворк, использующий самообучаемые физические описания для улучшения видео-моделей. Cosmos 3 теперь превосходит Google Veo 3.1 по точности симуляции закон
-
Правильный ответ ≠ Правильное решение: тест AI-мониторов на физике
Исследование показало, что AI-мониторы легко находят ошибки, когда видят верный ответ, но терпят неудачу в поиске логических дыр в рассуждениях, даже если итоговый результат верен.
-
Harbor-Index: Новый стандарт оценки AI-агентов с проходимостью <30%
Исследователи представили Harbor Adapters и Harbor-Index — инфраструктуру и метадатасет для оценки 80+ бенчмарков. Лучшая модель GPT-5.5 набрала лишь 28% на сложных задачах.