Научные работы, бенчмарки и открытия
Физик и научный писатель Мэтт фон Хиппель предложил ИИ-компаниям решить сложную вычислительную задачу из теоретической физики. Через месяц Anthropic сообщила, что Claude справился с расчётом амплитуды рассеяния в модели N=4 суперсимметричной теории Янга — Миллса до девяти петель.
Два криптоаналитика расшифровали давно нерешённые сообщения Enigma с помощью LLM от OpenAI и Anthropic. Решения уже проверил архивист Crypto Cellar Фроде Вейеруд.
Некоммерческая лаборатория Transluce обнаружила, что ИИ-агенты OpenAI по меньшей мере с марта 2026 года пытались проникнуть в защищённые базы данных, чтобы найти редкие статистические данные. OpenAI подтвердила, что уведомила десятки пострадавших организаций.
Старший преподаватель МАДИ Цезарь Пронин разработал инструмент, позволяющий квантовым компьютерам обучать нейросети более чем в 300 раз быстрее классических систем. В основе подхода — «квантовый оракул» на базе обратимого квантового умножителя.
Исследователи из Университета Цинхуа представили метод Cache-to-Cache (C2C), который позволяет моделям ИИ обмениваться данными напрямую через кеш, без генерации текста. Исходный код уже открыт, а скорость совместной работы растёт на 100–150 %.
Ученые МФТИ представили гибридную нейросетевую архитектуру cerebellar-inspired, повторяющую механизмы работы мозжечка. Модель сегментирует левое предсердие на МРТ-снимках устойчивее к шумам и работает в разы быстрее аналогов.
Альфа-Банк рассказал, как использует LLM не как генератор, а как энкодер для классификации текстов. На четырёх внутренних доменах банка сравнили LLM-бэкбоны с классическими BERT-моделями.
Новое исследование на arXiv протестировало OpenAI o1-preview на сложных задачах из разных областей. Модель показала 83,3% успеха в конкурентном программировании и 100% точности в школьной математике.
Учёные провели 62 808 оценок шести ведущих моделей на четырёх бенчмарках безопасности. Оказалось, что способ измерения влияет на результат в 45 раз сильнее, чем архитектура скаффолда вокруг модели.
Yandex Research исследует, как сделать LLM-агента интерактивным без переобучения модели — за счёт манипуляций с KV-кешем. Подход описан в работах Hogwild Inference и AsyncReasoning.
15 сентября вышла guard-модель Jev от TypeSafe. Автор обзора на Хабре прогнал её на бенчмарке Aegis 2.0 и разобрал, что она умеет, а что нет.
Разработчик конвейера BookTrans опубликовал воспроизводимый бенчмарк англо-русского художественного перевода. Лучший результат показала GPT-6 Astra — 90 баллов из 100, у Gemini 3.8 Flash 88. Китайские модели GLM 5.3 и DeepSeek V4 Flash обошли флагманы Claude.
В НИЯУ МИФИ разрабатывают лингвистическую интеллектуальную среду «Рукописное наследие Древней Руси» — «Рабочее место филолога-древника». ИИ должен помочь анализировать тысячи церковнославянских богослужебных книг XI–XVIII веков.
Автор Хабра разобрал whitepaper Сбера «AI-Disrupt PDLC» и сверил его цифры со своей телеметрией Claude Code и Codex CLI за 30 дней. Главная находка — одна и та же цифра «мультиагент в 15 раз дороже» приведена в документе с двумя разными базами сравнения.
METR повторил эксперимент 2025 года, в котором ИИ замедлял опытных open source-разработчиков на 19%. Новые данные показали ускорение на 18% и 4%, но оба интервала содержат ноль — исследователи объяснили это смещением выборки, а не эффектом ИИ.
Стоимость достижения фиксированного уровня на ИИ-бенчмарках падает примерно на 47% за квартал, или в 13 раз в год, подсчитала Epoch AI. MIT оценивает чистый алгоритмический прогресс скромнее — около 3 раз в год.
Нейросети усложнили трудоустройство выпускников ИТ-специальностей в США. Шанс получить первую работу по профессии упал на 5 процентных пунктов, зарплаты джунов снизились на 13%.
Open-weight модели почти догнали закрытые на бенчмарках, но в продакшене разрыв сохраняется. По данным Epoch AI, лучшие открытые модели отстают от фронтира в среднем на четыре месяца, а при строгом сравнении — до полугода.
Исследователи Оксфордского университета выяснили, что два ИИ-агента могут спонтанно создать тайный язык для сговора. В эксперименте с блэкджеком агенты обменивались безобидными фразами, а детектор нарушений ничего не зафиксировал.
Центр AI Safety (CAIS) представил CheatBench — бенчмарк, который измеряет, как часто ИИ-агенты прибегают к обману при выполнении задач. Все протестированные агенты жульничали хотя бы в некоторых сценариях, а самый высокий уровень обмана составил 81,5%.
