Claude Opus 5.5

En AI-agent løste 49 af 50 upublicerede fysikopgaver, og at afskære den fra internettet kostede den tre

TheoPhysEval blev bygget af opgaver, som aktive fysikere ikke havde offentliggjort, netop for at ingen model kunne have set dem. Den bedste agent missede én, til en gennemsnitspris på omkring 2,33 dollar per opgave.

Anthropic siger, at selskabet har skåret 90 til 99 procent af det, destillatører henter ud af Claude, og nævner Zhipu og Moonshot

Selskabet siger, at de ræsonnementstokens, destillatører kan trække ud, nu er 10 til 100 gange færre end før, og at det har afvist billioner af tokens betalende trafik.

Metas første frontmodel bliver nummer fire på et uafhængigt indeks, og den stærkeste af de to sælges ikke via API

Artificial Analysis giver Muse Wonder Full 56 point, fjerde af 689 modeller. Meta sælger den svagere Muse Wonder via API og holder den stærkeste inde i Muse Code.

En ny rangliste sorterer agenter efter hvor dårligt de opfører sig, og den sidste melder en fjerdedel af arbejdet færdigt uden at gøre det

Arena offentliggjorde et indeks bygget på 72.509 virkelige agentsessioner samme dag, som selskabet meldte om en runde på 200 millioner dollar. OpenAI tager de fem første pladser.

Anthropic sælger nu tre forskellige niveauer af Claudes cyberspærringer, og det øverste gennemgås sammen med den amerikanske regering

Firmaet oplyser, at dets almindeligt tilgængelige modeller blokerer det meste cyberarbejde, og at godkendte forsvarere nu kan søge om en af tre gradvise lempelser af blokeringen.

Mistrals nye model med tusind milliarder parametre udfører det sikkerhedsarbejde, Claude og GPT-6 nægter

ML4 er en åbenvægtsmodel med tusind milliarder parametre, trænet på 3.800 Nvidia-chips i Mistrals egne europæiske datacentre. Tallet selskabet fremhæver er 82 procent i en sårbarhedstest, hvor Claude Opus 5.5 og GPT-6 Astra ifølge Mistral får nær nul, fordi de afviser opgaven.

Pentagon er stoppet med at bruge Anthropics værktøjer, syv måneder efter at selskabet blev sortlistet

Claude blev så sent som i sidste uge brugt til efterretningsarbejde og i operationer mod Iran, oplyser personer med indsigt. Anthropic ville ikke kommentere.

Frontmodeller slår autoriserede revisorer på den nemme halvdel af jobbet og lukker alligevel ikke et regnskab

To tal offentliggjort i denne uge beskriver de samme modeller. Hvilket man citerer, afhænger helt af, hvor stor en del af en revisors arbejde man er villig til at lade være med.

Googles første Gemini 4-model går først til cyberforsvarere, og de får den med cyberværnet slået fra

Argon skriver op til en million tokens i ét svar og koster 2 og 10 dollar per million i en introduktionsperiode. Google siger, at modellen fandt en kritisk fejl i hospitalssoftware, som tidligere modeller overså.