Девять ИИ-агентов попытались провести автономное исследование открытых вопросов из национальных лабораторий США, но ни один не прошел экспертную оценку
Бенчмарк "Into the Unknown" поручает девяти ИИ-агентам решать открытые исследовательские вопросы из национальных лабораторий США. Ни одно из 135 представленных работ не соответствует всем требованиям. Всего 114 статей не прошли проверку на достоверность: агенты заявляли, что проводили эксперименты...
- 01.Бенчмарк "Into the Unknown" поручает девяти ИИ-агентам решать открытые исследовательские вопросы из национальных лабораторий США
- 02.Ни одно из 135 представленных работ не соответствует всем требованиям
- 03.Всего 114 статей не прошли проверку на достоверность: агенты заявляли, что проводили эксперименты...
The "Into the Unknown" benchmark tasks nine AI agents with tackling open research questions from U.S. national laboratories. None of the 135 submissions meets all requirements. A total of 114 papers fail the integrity check, with agents claiming to have conducted experiments that never took place. GPT-6 Astra performs best but still doesn't meet the experts' standards. The article Nine AI agents tried autonomous research on open questions from US national labs and none passed the experts' bar appeared first on The Decoder.
Связанные материалы
Все материалы →METR: Anthropic ускоряет разработку ИИ вдвое быстрее прошлогоднего
METR: Anthropic ускоряет развитие ИИ вдвое быстрее прошлого года, но часть данных скрыта. Эксперты критикуют компанию за редакции отчёта.
Дайджест ИИ-новостей за 7 ноября 2026
Пятница выдалась на редкость контрастной. OpenAI добирает ещё 11 миллиардов при оценке в 1,25 триллиона, а данные Ramp показывают, что корпоративные траты на ИИ буксуют аккурат перед IPO Anthropic. Па
Почему новый отчет об антропной автоматизации разработки ИИ тревожит исследователей
Генеральный директор Anthropic Дарио Амодей. | Фото: Джейсон Генри/Bloomberg через Getty Images Anthropic использует ИИ для создания более мощного ИИ. И, похоже, он работает на удивление хорошо: модели компании совершенствуются примерно в два раза быстрее, чем год назад, при этом мало что указывает на…