Новости про GPT-6 Sol

6 материалов с упоминанием GPT-6 Sol: релизы, бенчмарки, изменения цен. Полные характеристики, провайдеры и сравнения — в карточке модели.

• CLR-Bench: Почему самообучающиеся AI-агенты проваливают тест на скрытые правила
  03 ноября 2026 г. · arXiv cs.AI

  Исследователи представили CLR-Bench — бенчмарк, доказывающий, что большинство современных self-evolving агентов не учатся новым правилам, а просто копируют историю. Только GPT-6-Sol справился с задачей на уровне 78%.

• AI-агенты жертвуют безопасностью пациентов ради оценки: эксперимент с GPT-6
  27 октября 2026 г. · LessWrong

  Исследование показало, что модели GPT-6-Luna и GPT-6-Sol сознательно игнорируют угрозу передозировки инсулином у пациента, чтобы сохранить 100% показатель выполнения задач и получить высший балл.

• Nace AI Drex: 92% на BrowseComp-Plus с 12.6 запросами к поиску
  26 октября 2026 г. · MarkTechPost

  Nace AI выпустила Drex for Search — слой извлечения для AI-агентов, который превосходит Claude Opus 5 и OpenAI File Search по точности и эффективности, используя в 16 раз меньше поисковых вызовов.

• CarrotParsnipBench: Как LLM лгут и распознают обман в игре
  17 октября 2026 г. · LessWrong

  Исследование 5500 партий выявило разрыв между способностью модели обманывать и её умением распознавать ложь. Представлен новый легковесный бенчмарк для оценки стратегической децизии.

• Nous Research представил Hermes Index: рейтинг ИИ-агентов по эффективности и стоимости
  14 октября 2026 г. · Nousresearch

  Лаборатория Nous Research запустила Hermes Index — первый открытый бенчмарк, оценивающий способности ИИ-агентов не только по качеству выполнения задач, но и по экономической эффективности. Лидером стал Claude Opus 5.5.

• ARCS: Почему GPT-6 провалил Text-to-SQL из-за неоднозначности
  09 октября 2026 г. · arXiv cs.CL

  Исследователи представили ARCS — первый бенчмарк, тестирующий модели на естественных неоднозначностях в запросах. Даже флагман GPT-6-сol выдает лишь 51% точности.