Все материалы по теме в хронологическом порядке.
Исследование Mercor показало: ИИ-модели решают структурированные задачи бухучёта быстрее, точнее и дешевле лицензированных бухгалтеров. Но почти 60% задач не решены полностью — без надзора человека отчётность не закрыть.
MWS AI выложила в открытый доступ инструмент RESON для анализа качества ASR-моделей и бенчмарк RESON OSD для оценки русскоязычного распознавания речи. Бенчмарк содержит 12 114 аудиозаписей — около 37 часов 52 минут в телефонном канале 8 кГц.
OpenAI GPT-6 Astra достигла 80% точности в Furniture Assembly Benchmark от Epoch AI, определяя ошибки сборки мебели IKEA по фотографиям. В ноябре 2025 года лучший результат составлял 28%.
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.
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%.
