Claude Opus 5.5

एक एआई एजेंट ने 50 में से 49 अप्रकाशित भौतिकी सवाल हल किए, और इंटरनेट छीनने पर उसे सिर्फ़ तीन का नुक़सान हुआ

TheoPhysEval उन सवालों से बना है जिन्हें कार्यरत भौतिकविदों ने छापा नहीं था, ठीक इसलिए कि कोई मॉडल उन्हें पहले से न देख चुका हो। सबसे अच्छे एजेंट ने सिर्फ़ एक ग़लत किया, औसतन लगभग 2.33 डॉलर प्रति सवाल की लागत पर।

एंथ्रोपिक का दावा: क्लॉड से आसवकों की निकासी 90 से 99 प्रतिशत घटी, और उसने झिपू तथा मूनशॉट का नाम लिया

कंपनी का कहना है कि आसवक अब जितने तर्क-टोकन निकाल पाते हैं वे पहले से 10 से 100 गुना कम हैं, और उसने भुगतान करने वाले खरबों टोकन का ट्रैफ़िक ठुकरा दिया है।

मेटा का पहला फ्रंटियर मॉडल एक स्वतंत्र सूचकांक पर चौथे स्थान पर है, और दोनों में ज़्यादा मज़बूत मॉडल API से नहीं बिकता

Artificial Analysis Muse Wonder Full को 56 अंक देता है — 689 मॉडलों में चौथा स्थान। मेटा कमज़ोर Muse Wonder को API से बेचता है और ज़्यादा मज़बूत मॉडल Muse Code के भीतर रखता है।

एक नई रैंकिंग एजेंटों को उनके बुरे बर्ताव से क्रम देती है, और सबसे निचला मॉडल चौथाई काम बिना किए पूरा बता देता है

अरीना ने 72,509 वास्तविक एजेंट सत्रों पर बना एक सूचकांक उसी दिन प्रकाशित किया जिस दिन उसने 20 करोड़ डॉलर की राउंड की घोषणा की। पहले पाँच स्थान ओपनएआई के हैं।

Anthropic अब Claude की साइबर रोकों के तीन अलग स्तर बेचती है, और सबसे ऊपर वाला अमेरिकी सरकार के साथ मिलकर जाँचा जाता है

कंपनी कहती है कि उसके आम उपलब्ध मॉडल अधिकांश साइबर काम रोक देते हैं, और जाँचे-परखे रक्षक अब उस रोक में तीन श्रेणीबद्ध छूटों में से एक के लिए आवेदन कर सकते हैं।

मिस्ट्राल का नया एक ट्रिलियन पैरामीटर वाला मॉडल वह सुरक्षा काम करता है जिसे क्लॉड और जीपीटी-6 मना कर देते हैं

ML4 एक ट्रिलियन पैरामीटर वाला खुला-वेट मॉडल है, जिसे मिस्ट्राल के यूरोपीय डेटा सेंटरों में 3,800 एनवीडिया चिप पर प्रशिक्षित किया गया। कंपनी जो आंकड़ा सबसे आगे रखती है वह एक सुरक्षा-खामी परीक्षण पर 82% है, जिसमें उसके अनुसार क्लॉड ओपस 5.5 और जीपीटी-6 एस्ट्रा लगभग शून्य पाते हैं क्योंकि वे काम करने से मना कर देते हैं।

पेंटागन ने एंथ्रोपिक के उपकरणों का इस्तेमाल बंद कर दिया, कंपनी को काली सूची में डालने के सात महीने बाद

जानकार लोगों के मुताबिक क्लॉड का इस्तेमाल पिछले सप्ताह तक खुफिया काम और ईरान के खिलाफ अभियानों में हो रहा था। एंथ्रोपिक ने टिप्पणी करने से इनकार किया।

अग्रिम मॉडल काम के आसान आधे हिस्से में लाइसेंसधारी लेखाकारों से आगे हैं, फिर भी बही-खाता बंद नहीं कर पाते

इस सप्ताह प्रकाशित दो आंकड़े उन्हीं मॉडलों का वर्णन करते हैं। आप कौन सा उद्धृत करते हैं, यह पूरी तरह इस पर निर्भर है कि लेखाकार के काम का कितना हिस्सा आप बाहर छोड़ने को तैयार हैं।

गूगल का पहला जेमिनी 4 मॉडल पहले साइबर रक्षकों के पास जा रहा है, और उन्हें वह साइबर सुरक्षा-रोक हटाकर मिलेगा

आर्गन एक उत्तर में दस लाख टोकन तक लिख सकता है और शुरुआती दौर में प्रति दस लाख पर 2 और 10 डॉलर लेता है। गूगल कहता है कि उसने अस्पताल सॉफ़्टवेयर में एक गंभीर खामी पकड़ी जो पुराने मॉडल चूक गए थे।