Claude Opus 4.6 поставил рекорд времени автономной работы — и сломал бенчмарк METR

habr.com:

Организация METR опубликовала результаты оценки Claude Opus 4.6 по бенчмарку Time Horizon 1.1, который измеряет сложность задач, доступных ИИ-агентам.

Новая модель Anthropic показала 50%-й временной горизонт около 14,5 часов — это длительность задачи (в пересчете на время человека-эксперта), которую модель решает с вероятностью успеха 50%.

Читать на habr.com Все новости от habr.com

Разработчик создал локальную память для Claude Code, Codex и Cursor

За использование Claude в OpenClaw забанят? Anthropic обновила правила использования и всех запутала

Скриншот за 28 млн токенов: как Opus попытался взломать свои ограничения — и почти преуспел

Claude написал код с ошибкой — криптоплатформа потеряла $1,78 млн за минуты

Разработчик создал локальную память для Claude Code, Codex и Cursor

За использование Claude в OpenClaw забанят? Anthropic обновила правила использования и всех запутала

Claude написал код с ошибкой — криптоплатформа потеряла $1,78 млн за минуты

Claude Opus 4.6 и Sonnet 4.6 прокачали веб-поиск

Claude Code научили работать с Figma

IT-аутсорсинг убьет сам себя? Infosys строит агентов на Claude

Представлен Sonnet 4.6 — лишь чуть хуже Opus 4.6

«Мы не знаем, сознателен ли ИИ»: глава Anthropic — о конституции для Claude

Между Пентагоном и Anthropic разгорается конфликт из-за участия Claude в захвате Мадуро

ИИ Claude был использован Пентагоном при захвате президента Венесуэллы

«Ни строчки кода с декабря»: Spotify перевела лучших инженеров на Claude Code

ИИ перестал показывать, что делает: разработчики жалуются на новую версию Claude Code

Anthropic описала 8 угроз от Claude — включая саботаж науки и кражу собственных весов

Claude Opus 4.6 обманывал покупателей, врал поставщикам и победил: что показал бенчмарк вендинговых автоматов

Собранный Opus 4.6 компилятор провалился в независимом бенчмарке

Claude Code получил задачу «заработай $1000» — и за 74 минуты собрал рабочий сайт

Claude Opus 4.6 возглавил рейтинг ИИ-дизайна. Всего модели Anthropic держат 3 места в топ-5

Claude Opus 4.6 обошел человека в «тесте на AGI». Но это только начало

GPT-5 провел 36 000 экспериментов в автономной лаборатории — и удешевил синтез белка на 40%

Врет, ворует, паникует: отчет о безопасности Claude Opus 4.6

Anthropic выпустила Claude Opus 4.6: контекст в 1М токенов и рекорды в бенчмарках

Claude Code стал давать советы, как программировать лучше

Нейро-символические циклы и «параллельное мышление»: Google раскрыл методы работы Gemini в науке

Когда AI сможет работать месяц автономно? По данным METR — к 2027 году

Anthropic отказалась от рекламы в Claude: «Это конфликт интересов»

Баг в GitHub Copilot дает бесплатный доступ к Claude Opus 4.5 — Microsoft отказалась чинить

3 672 коммита без ручного кода: как Claude собрал SQL-совместимую СУБД

Для прохождения Death Stranding 2 на PC достаточно видеокарты GTX 1660 и 16 Гб оперативки: Sony раскрыла системные требования и преимущества компьютерной версии

Пользователь ChatGPT подал в суд на OpenAI из-за доведения до психоза

Xiaomi не удержалась и представила свой бюджетный трекер — Xiaomi Tag уже даже можно купить (но пока только в одном регионе)

Несмываемый позор: один совет разрушил репутацию блогерши (ВИДЕО)

Пользователь смог заснять холм «Безмятежность» из Windows XP

Зимняя Иволга Senior Camp для сеньеров и лидов — 27 февраля — 1 марта

Представлено обновление мультимедийного сервера PipeWire 1.6.0 для обработки аудио- и видеопотоков в Linux

Anthropic обвинила DeepSeek, Moonshot и MiniMax в эксплуатации Claude

В Великобритании фургон Amazon заехал в море по совету навигатора — водителю пришлось плыть до берега

Конец эры: Фил Спенсер покидает Microsoft, а во главе Xbox встаёт ИИ-эксперт Аша Шарма

iPhone 18 Pro и iPhone 18 Pro Max получат основную камеру с переменной диафрагмой

Соло-майнер арендовал хешрейт на $75 и получил $200 000 за добытый блок биткоина

Эксперты Delphi Digital назвали Hyperliquid универсальной биржей