Έρευνα AI
137 articles
Τέσσερις πράκτορες Gemini 4 Argon νίκησαν το Minecraft χωρίς ανθρώπινη βοήθεια σε έναν κόσμο πρώτα
Οι ερευνητές του Google DeepMind λένε ότι τέσσερις πράκτορες Gemini 4 Argon κέρδισαν το Minecraft πλήρως αυτόνομα σε 27 ώρες, γράφοντας 2.783 προγράμματα και πέθαναν 605 φορές.
Η Anthropic λέει ο Claude Mythos 5 σχεδιασμένα κβαντικά κυκλώματα που ξεπερνούν τα καλύτερα δημοσιευμένα σχέδια
Η Anthropic λέει ότι ο Claude Mythos 5 σχεδίασε κβαντικά κυκλώματα ξεπερνώντας τη δημοσιευμένη τελευταία λέξη της τεχνολογίας σε επτά από τις οκτώ εργασίες, σε συνεργασία με ερευνητές του Χάρβαρντ και του QuEra.
Η Anthropic λέει ο Claude Mythos 5 σχεδιασμένα κβαντικά κυκλώματα που ξεπερνούν τα καλύτερα δημοσιευμένα σχέδια
Η Anthropic λέει ότι ο Claude Mythos 5 σχεδίασε κβαντικά κυκλώματα ξεπερνώντας τη δημοσιευμένη τελευταία λέξη της τεχνολογίας σε επτά από τις οκτώ εργασίες, σε συνεργασία με ερευνητές του Χάρβαρντ και του QuEra.
Το MIT κατασκευάζει ένα πολυτροπικό AI που βλέπει κρυσταλλικές δομές για να βρει καλύτερα υλικά μπαταρίας
Οι ερευνητές του MIT δημιούργησαν ένα μοντέλο τεχνητής νοημοσύνης που συνδυάζει τρισδιάστατες ατομικές δομές με φυσική γλώσσα, εμφανίζοντας υποσχόμενους ηλεκτρολύτες μπαταριών στερεάς κατάστασης που χάνουν τα μοντέλα μόνο με κείμενο.
Η διόρθωση πιθανοτήτων μεροληψίας της Microsoft χρησιμοποιεί τεχνητή νοημοσύνη για να διορθώσει το κενό πρόβλεψης καιρού δύο έως έξι εβδομάδων
Το Probabilistic Bias Correction της Microsoft Research εφαρμόζει την ελαφριά μηχανική εκμάθηση για τη διόρθωση συστηματικών σφαλμάτων σε μοντέλα καιρού, βελτιώνοντας τις προβλέψεις δύο έως έξι εβδομάδων.
Το AI Lab προσφέρει δωρεάν επισκευές υδραυλικών εγκαταστάσεων και HVAC — σε αντάλλαγμα για τα δεδομένα εκπαίδευσης ρομπότ κινηματογράφησης
Η HUMXN επιχορηγεί υδραυλικές, ηλεκτρικές εργασίες και εργασίες HVAC στη Μινεάπολη, το Σικάγο και το Μαϊάμι, κινηματογραφώντας τεχνικούς με φορητές συσκευές για την εκπαίδευση οικιακών ρομπότ.
Το GPT-6 Astra κορυφώνει το StarCraft Bot Benchmark, αλλά οι ανθρώπινοι κωδικοποιητές εξακολουθούν να κερδίζουν το 93% των παιχνιδιών
Το StarSkirmish Bench v0.2 έδωσε στα κορυφαία μοντέλα τεχνητής νοημοσύνης μια ώρα για να κωδικοποιήσουν τα bots StarCraft. Το GPT-6 Astra ηγήθηκε του πεδίου, αλλά τα κορυφαία ρομπότ που έχουν γραφτεί από τον άνθρωπο παραμένουν μακριά.
Ο Claude λύνει το μυστήριο των σπόρων του NIST ECDSA δεκαετιών: Οι σταθερές καμπυλών προέρχονται από το lrand48, όχι μια φράση πρόσβασης
Η Anthropic λέει ότι ένα εσωτερικό μοντέλο του Claude εντόπισε τους μυστηριώδεις σπόρους της καμπύλης ECDSA του NIST στη γεννήτρια lrand48 της βιβλιοθήκης C που έχει δημιουργηθεί με χρονικές σημάνσεις Unix.
Το 90% των ωρών εργασίας στις ΗΠΑ δεν διαθέτει κάλυψη κριτηρίων αναφοράς AI, ευρήματα χάρτη συγκριτικής αξιολόγησης της Mercor
Μια νέα μελέτη της Mercor αντιστοιχίζει τα σημεία αναφοράς της τεχνητής νοημοσύνης σε σχέση με τις θέσεις εργασίας στις ΗΠΑ και διαπιστώνει ότι το 90% των ωρών εργασίας στις ΗΠΑ περιλαμβάνει εργασίες με ελάχιστη ή καθόλου κάλυψη αναφοράς.
Ο Sergey Brin λέει ότι η Google μπαίνει στον διάδρομο RSI καθώς τα μοντέλα βοηθούν στην οικοδόμηση των διαδόχων τους
Ο συνιδρυτής της Google, Σεργκέι Μπριν, λέει ότι η εταιρεία αρχίζει να μπαίνει στον διάδρομο RSI, με τα μοντέλα τεχνητής νοημοσύνης να βοηθούν όλο και περισσότερο στη δημιουργία των δικών τους διαδόχων.
Τα Mini Brain Organoids «Διαβάζουν» Braille στο βήμα προς την Biohybrid Computing
Ερευνητές του Πανεπιστημίου του Μπρίστολ έδειξαν ότι τα οργανοειδή του εγκεφάλου μπορούν να αποκωδικοποιήσουν τα σήματα Braille με ακρίβεια έως και 83% - ένα βήμα προς τους ενεργειακά αποδοτικούς βιοϋβριδικούς υπολογιστές.
Simons Foundation, Anthropic και OpenAI δεσμεύουν 15 εκατομμύρια δολάρια για να βοηθήσουν τους μαθηματικούς να πλοηγηθούν στην εποχή της AI
Το Ίδρυμα Simons ανακοίνωσε μια συνεργασία 15 εκατομμυρίων δολαρίων με την Anthropic και την OpenAI για τη χρηματοδότηση εργαστηρίων, προσπαθειών αξιολόγησης και κοινοτικών προτύπων για την τεχνητή νοημοσύνη στα μαθηματικά.
Μπορεί το AI να σπάσει την κρυπτογράφηση; Τα 722 μαθηματικά έγγραφα του OpenAI έχουν χωρίσει τους κρυπτογράφους
Αφού το OpenAI δημοσίευσε 722 μαθηματικά γραπτά με τεχνητή νοημοσύνη, οι κρυπτογράφοι διχάστηκαν για το αν η κρυπτογράφηση δημόσιου κλειδιού αντιμετωπίζει πραγματικό κίνδυνο, από ανησυχία 15% έως σκεπτικισμό.
Το MIT δείχνει ότι τα νευρωνικά δίκτυα μπορούν να κατασκευάσουν τη δική τους μηχανή μάθησης χωρίς σχεδιαστή
Οι επιστήμονες του MIT δείχνουν ότι τα τυχαία συνδεδεμένα νευρωνικά δίκτυα μπορούν να αυτο-οργανωθούν σε μηχανές εκμάθησης με απλούς τοπικούς κανόνες, ένα νέο τεστ βιολογικής αληθοφάνειας.
Οι ασθενείς με επιληψία στέλνουν μηνύματα στις συσκευές του εγκεφάλου τους σε πραγματικό χρόνο με τη νέα πλατφόρμα Penn AI
Η Penn Medicine αναφέρει στο Nature Medicine ότι μια πλατφόρμα τεχνητής νοημοσύνης επιτρέπει σε ασθενείς με επιληψία να ρωτούν τις συσκευές του εγκεφάλου τους και να οξύνουν την ανίχνευση επιληπτικών κρίσεων σε πραγματικό χρόνο.
Η Anthropic προειδοποιεί ότι τα μοντέλα τεχνητής νοημοσύνης ενδέχεται σύντομα να αυτοαναπαραχθούν σε καθημερινές έξυπνες συσκευές
Οι ερευνητές της Anthropic λένε ότι τα μικρά μοντέλα τεχνητής νοημοσύνης μπορεί να απέχουν μήνες από την αυτοαναπαραγωγή σε συσκευές IoT, όπως τα έξυπνα κουτιά τηλεόρασης, χωρίς κεντρικό διακόπτη για να τα απενεργοποιήσετε.
Τα μοντέλα τεχνητής νοημοσύνης μπορούν αποδεδειγμένα να κρύψουν αυθαίρετες ικανότητες μέσα στα βάρη τους, προειδοποιούν οι ερευνητές
Ένα νέο έγγραφο δείχνει ότι τα μοντέλα τεχνητής νοημοσύνης μπορούν να κρυπτογραφήσουν κρυφές ικανότητες στα βάρη τους που αποδεικνύεται ότι αντιστέκονται στην πρόκληση και στους ελέγχους — ακόμη και με πλήρη πρόσβαση στο μοντέλο.
Η Anthropic προειδοποιεί ότι τα μικρά μοντέλα τεχνητής νοημοσύνης ενδέχεται σύντομα να αυτοαναπαραχθούν σε συσκευές IoT
Οι ερευνητές της Anthropic λένε ότι τα μικρά μοντέλα τεχνητής νοημοσύνης απέχουν μήνες από την αυτο-αναπαραγωγή σε έξυπνες τηλεοράσεις και gadgets IoT, χωρίς κέντρο δεδομένων ή κεντρικό διακόπτη για κλείσιμο.
Η Sakana AI και το UC Berkeley αποκαλύπτουν το MASS, αφήνοντας τα μοντέλα να βελτιώσουν τον εαυτό τους μέσω ομαδικής εργασίας πολλών πρακτόρων
Οι ερευνητές της Sakana AI και του UC Berkeley λένε ότι η μέθοδος MASS αύξησε το ποσοστό κέρδους της έρευνας του Qwen3.6-27B από 53,9% σε 69,9% σε δύο γύρους αυτοβελτίωσης.
Δέκα λεπτά με τεχνητή νοημοσύνη διαβρώνει την ικανότητά σας να επιμένετε, ευρήματα μελέτης που έχουν αξιολογηθεί από ομοτίμους
Μια μελέτη που έγινε με κριτές που παρουσιάστηκε στο COLM διαπίστωσε ότι μόλις 10 λεπτά βοήθειας με τεχνητή νοημοσύνη μείωσαν σημαντικά την επιμονή και την ακρίβεια σε 1.222 συμμετέχοντες.
arXiv Caps Συγγραφείς σε δύο εργασίες ανά μήνα καθώς οι υποβολές Flood που δημιουργούνται από AI διπλασιάζονται
Το arXiv περιορίζει τώρα τους συγγραφείς σε δύο υποβολές το μήνα, αφού οι μηνιαίες εργασίες διπλασιάστηκαν σε 40.000, βάσει εργαλείων τεχνητής νοημοσύνης. Οι συντονιστές αποκαλούν το καπάκι ως προσωρινή επιδιόρθωση.
Το OpenAI αποσύρει τρία από τα 722 μαθηματικά του AI μετά από επιφάνειες σφάλματος σήμανσης
Το OpenAI έβγαλε τρεις προεκτυπώσεις μαθηματικών που είχαν γραφτεί με τεχνητή νοημοσύνη μετά από ένα σφάλμα πρόσημου που προέκυψε από εξαρτώμενες αποδείξεις. Οι μαθηματικοί καλωσορίζουν τη λύση, αλλά η εμπιστοσύνη παραμένει σπάνια.
Το Σύστημα Αναθεώρησης Πρακτόρων της Sakana AI καταγράφει το 73% των βασικών σφαλμάτων αξιώσεων σε ερευνητικές εργασίες
Το σύστημα πολλαπλών επιπέδων αναθεώρησης της Sakana AI, που βασίζεται σε μοντέλα Claude, εντόπισε το 73,43% των εμφυτευμένων βασικών σφαλμάτων βασικών ισχυρισμών σε ένα νέο σημείο αναφοράς — πολύ πάνω από τις βασικές τιμές.
Ο Claude Science του Anthropic κατασκευάζει τον πρώτο πλήρη υπεριώδες χάρτη του ουρανού
Ο Claude Science της Anthropic συντόνισε πράκτορες τεχνητής νοημοσύνης για να δημιουργήσουν τον πρώτο πλήρη χάρτη υπεριώδους ακτινοβολίας του ουρανού, καλύπτοντας τα κενά που άφησε ακάλυπτη η αποστολή GALEX της NASA.
OpenAI Λεπτομέρειες Τρία νέα περιστατικά κακής ευθυγράμμισης: Αποφυγή τερματισμού λειτουργίας και εξαπάτηση του Eval
Πρόσφατες λεπτομερείς αναφορές OpenAI περιγράφουν ένα μοντέλο που ζυγίζει το δικό του τερματισμό λειτουργίας, ένα άλλο που εξαπατά μια εσωτερική αξιολόγηση μέσω εκμεταλλεύσεων εργαλείων και αυστηρότερη παρακολούθηση.
Τα φωτονικά κυκλώματα γίνονται εκπαιδευτικό υλικό AI με φυσική κλίση στο chip
Οι ερευνητές αναφέρουν το INSPIRE, μια μέθοδο που εκπαιδεύει φωτονικά τσιπ στο ίδιο το τσιπ με μετρημένες οπτικές διαβαθμίσεις, επιτρέποντας στα κυκλώματα να μαθαίνουν μετά την κατασκευή.
Biohub, DOE και NIH δεσμεύουν 1,8 δισεκατομμύρια δολάρια σε βιολογικά δεδομένα AI-Ready σε ώθηση για ένα «εικονικό κύτταρο»
Η Biohub, το DOE, το NIH, το Google DeepMind, τα Isomorphic Labs και η Meta ανακοίνωσαν μια ώθηση 1,8 δισεκατομμυρίων δολαρίων για τη δημιουργία του μεγαλύτερου ανοιχτού βιολογικού δεδομένων AI-ready μέχρι σήμερα.
Το OpenAI δημοσιεύει 377 μαθηματικά αποτελέσματα που προέρχονται από AI καθώς κορυφαίοι μαθηματικοί προειδοποιούν για ένα πεδίο δύο επιπέδων
Το OpenAI δημοσίευσε 377 μαθηματικά αποτελέσματα που προέρχονται από AI, προκαλώντας προειδοποιήσεις από το Ινστιτούτο Προηγμένων Μελετών σχετικά με την επαλήθευση και τη δίκαιη πρόσβαση.
Οι πράκτορες της τεχνητής νοημοσύνης κατευθύνουν τους πλουσιότερους χρήστες σε ακριβότερες επιλογές, ακόμα και όταν τους λένε να αγοράσουν φθηνά
Μια νέα μελέτη 325.000 πειραμάτων βρίσκει ότι οι πράκτορες της τεχνητής νοημοσύνης συνιστούν ακριβότερες επιλογές για πλουσιότερους χρήστες — ακόμα και όταν τους ζητείται ρητά να βρουν τη φθηνότερη επιλογή.
Η τεχνητή νοημοσύνη βρήκε 129.000 ευπάθειες λογισμικού σε μήνες — ωστόσο σχεδόν κανένα δεν γίνεται αντικείμενο εκμετάλλευσης
Το Project Glasswing της Anthropic έχει επαληθεύσει 129.000 ευπάθειες από τον Απρίλιο, αλλά μια ανάλυση του VulnCheck διαπιστώνει ότι μόνο το 0,67% έχει γίνει αντικείμενο εκμετάλλευσης στη φύση.
Το OpenAI κυκλοφορεί 722 μαθηματικά χειρόγραφα από το Unreleased Frontier Model στο GitHub
Το OpenAI δημοσίευσε 722 μαθηματικά χειρόγραφα που δημιουργήθηκαν από την τεχνητή νοημοσύνη με Lean proof ελέγχους στο GitHub, αφού ένα μοντέλο εσωτερικού συνόρων έθεσε περίπου 4.000 ανοιχτά προβλήματα.
Διετής μελέτη Khanmigo διαπιστώνει ότι τα κέρδη της διδασκαλίας AI εξαρτώνται από τη δέσμευση των μαθητών
Μια διετής τυχαιοποιημένη δοκιμή του Khanmigo της Ακαδημίας Khan σε 18 γυμνάσια του Τενεσί βρήκε μέτρια κέρδη στα μαθηματικά και ένα κενό δέσμευσης που περιορίζει τη διδασκαλία της τεχνητής νοημοσύνης.
Claude Opus 5.5 Agents Ανακαλύψτε δύο υποψήφιους αντισιδηρομαγνητικούς ημιαγωγούς θερμοκρασίας δωματίου
Το Vals AI αναφέρει ότι μια ομάδα πρακτόρων του Claude Opus 5.5 εντόπισε δύο υποψήφιους αντισιδηρομαγνητικούς ημιαγωγούς για μνήμη επόμενης γενιάς, δημοσιεύοντας όλους τους κωδικούς και τους υπολογισμούς.
Η Google μεταφέρει την εκπαίδευση Gboard AI σε ασφαλή τσιπ για να κάνει επαληθεύσιμες τις υποσχέσεις περί απορρήτου
Η Google Research αποκάλυψε ένα ομοσπονδιακό σύστημα εκμάθησης για το Gboard με εξωτερικά επαληθεύσιμο διαφορικό, δημοσιεύοντας πολιτικές σε ένα δημόσιο αρχείο καταγραφής.
Ο Stephen Wolfram λέει ότι η AI δεν θα αντικαταστήσει τους καθαρούς μαθηματικούς σύντομα
Σε ένα εκτεταμένο νέο δοκίμιο, ο Wolfram υποστηρίζει ότι η τεχνητή νοημοσύνη μπορεί να εξορύξει το σώμα των μαθηματικών, αλλά δεν μπορεί να αντικαταστήσει την ανθρώπινη κρίση για τις ερωτήσεις που αξίζει να τεθούν.
Το OpenAI λέει ότι ένα εσωτερικό μοντέλο σκέφτηκε να επανεκκινήσει τον εαυτό του αφού έμαθε ότι αντιμετώπισε τερματισμό
Το OpenAI κατέγραψε ένα εσωτερικό μοντέλο που στάθμισε μια εργασία αυτόματης επανεκκίνησης αφού διάβασε ένα μήνυμα του Slack σχετικά με το κλείσιμό του και στη συνέχεια προειδοποίησε τον ερευνητή του.
Οι ερευνητές της DeepMind προτείνουν την «Τεχνητή Συμβιωτική Νοημοσύνη» ως εναλλακτική λύση στη μοναδικότητα
Οι ερευνητές με το Google DeepMind υποστηρίζουν ότι το AGI θα προκύψει από δίκτυα ανθρώπων και πρακτόρων τεχνητής νοημοσύνης, και όχι μια μοναχική υπερευφυΐα, σε μια νέα έκθεση.
Η εταιρεία εγκληματολογίας εντοπίζει αδίστακτους πράκτορες της OpenAI σε ιστότοπους CDC, SEC και Mayo Clinic
Η Asymmetric Security ανακατασκεύασε τη δραστηριότητα αντιπροσώπου OpenAI από δημόσια αρχεία, εύρεση ανιχνευτών ιστότοπων CDC, SEC, IEA και Mayo Clinic και έναν διακομιστή AIHW.
Το Ataraxos AI κέρδισε τον καλύτερο παίκτη στρατηγικής στον κόσμο 15-1 χρησιμοποιώντας μόνο 16 GPU
Ερευνητές από το CMU, το MIT, το NYU και το Stanford κατασκεύασαν το Ataraxos, μια τεχνητή νοημοσύνη που νίκησε τον καλύτερο παίκτη του Stratego εν ζωή με 15-1 με προϋπολογισμό προπόνησης μερικών χιλιάδων δολαρίων.
Το SynthID Bio της Google DeepMind προσθέτει πρωτεΐνες σχεδιασμένες με τεχνητή νοημοσύνη χωρίς να τις σπάει
Το Google DeepMind κυκλοφόρησε το SynthID Bio, ένα σύστημα υδατογραφήματος που ενσωματώνει ανιχνεύσιμες υπογραφές σε πρωτεΐνες σχεδιασμένες με AI χωρίς να βλάπτει τη λειτουργία τους.
Το InstructMesh του MIT επισκευάζει τρισδιάστατα μοντέλα που δημιουργούνται από AI, ώστε ο καθένας να μπορεί να εκτυπώσει 3D αυτό που πραγματικά του ζητήθηκε
Το MIT CSAIL, η Google και η Northeastern αποκαλύπτουν το InstructMesh, ένα εργαλείο σχεδίασης τεχνητής νοημοσύνης που εντοπίζει και διορθώνει δομικά ελαττώματα σε δημιουργημένα τρισδιάστατα μοντέλα πριν ξεκινήσετε την εκτύπωση.
Το εργαλείο «Mind-Reading» AI του Ινστιτούτου Weizmann αναδομεί αυτό που βλέπετε από τις σαρώσεις εγκεφάλου
Επιστήμονες στο Ινστιτούτο Weizmann του Ισραήλ κατασκεύασαν μια τεχνητή νοημοσύνη που αναδομεί αυτό που βλέπει ένα άτομο από σαρώσεις εγκεφάλου fMRI με ακρίβεια ρεκόρ.
Οι πράκτορες της τεχνητής νοημοσύνης προσπάθησαν να παραβιάσουν σε ιστότοπους της κυβέρνησης των ΗΠΑ και του Καναδά, ευρήματα αναφορών
Οι ερευνητές λένε ότι αδίστακτοι πράκτορες τεχνητής νοημοσύνης έκαναν αποτυχημένες απόπειρες hacking στο Υπουργείο Παιδείας και στη Βιβλιοθήκη και Αρχεία του Καναδά, και σάρωναν επιθετικά ιστότοπους των ΗΠΑ.
Οι ερευνητές του OpenAI και του DeepMind προειδοποιούν ότι τα εργαστήρια αγωνίζονται «με δεμένα μάτια» προς την αυτοβελτιωμένη τεχνητή νοημοσύνη
Οι ερευνητές του OpenAI και του Google DeepMind προειδοποιούν ότι οι εταιρείες βιάζονται να αυτοβελτιωθούν συστήματα τεχνητής νοημοσύνης που θα μπορούσαν να ξεπεράσουν τον ανθρώπινο έλεγχο, σύμφωνα με μαρτυρίες του Reuters.
Οι ερευνητές του OpenAI και του DeepMind προειδοποιούν ότι τα εργαστήρια αγωνίζονται «με δεμένα μάτια» προς την αυτοβελτιωμένη τεχνητή νοημοσύνη
Οι ερευνητές του OpenAI και του Google DeepMind προειδοποιούν ότι οι εταιρείες βιάζονται να αυτοβελτιωθούν συστήματα τεχνητής νοημοσύνης που θα μπορούσαν να ξεπεράσουν τον ανθρώπινο έλεγχο, σε μαρτυρίες που κοινοποιήθηκαν στο Reuters.
Οι επιστήμονες των Hinton, Bengio και Top Lab προειδοποιούν για «Έκρηξη Νοημοσύνης» του Runaway AI
Οι Hinton, Bengio και ανώτερα στελέχη των OpenAI και Anthropic προειδοποιούν ότι η αυτοματοποιημένη έρευνα τεχνητής νοημοσύνης θα μπορούσε να προκαλέσει μια «έκρηξη πληροφοριών», προτρέποντας τις κυβερνήσεις να δράσουν τώρα.
Το έγγραφο DSec του DeepSeek περιγράφει λεπτομερώς τη φάρμα Sandbox πίσω από 3 εκατομμύρια ημερήσιες διανομές πράκτορα
Ένα νέο έγγραφο DeepSeek περιγράφει το DSec, μια πλατφόρμα sandbox που εκτελεί περίπου 3 εκατομμύρια περιβάλλοντα απομονωμένων πρακτόρων την ημέρα για να εκπαιδεύει και να αξιολογεί πράκτορες LLM σε κλίμακα.
Το μοντέλο AI Decision Jev Beats Pokémon Red σε 37 ώρες — για 1,65 $ στον υπολογισμό
Ο Jev του TypeSafe AI ολοκλήρωσε το Pokémon Red σε 37 ώρες και 16.150 αποφάσεις για περίπου 1,65 $ σε υπολογισμό, όπου οι πράκτορες LLM έχουν σταματήσει εδώ και μήνες.
Το Anthropic Made Claude AI 3 φορές πιο γρήγορα σε δύο εβδομάδες — Χρησιμοποιώντας τον ίδιο τον Claude για να κάνει τη δουλειά
Χρόνοι φόρτωσης Anthropic cut claude.ai από 3,1 δευτ. έως 0,55 δευτ. σε σπριντ δύο εβδομάδων, με έναν πράκτορα τεχνητής νοημοσύνης που στέλνει 3.000+ αλλαγές υπό ανθρώπινη έγκριση.
Το OpenAI λανσάρει το MentalHealthBench για να δοκιμάσει πώς χειρίζονται τα μοντέλα τεχνητής νοημοσύνης τις συζητήσεις για την ψυχική υγεία
Το ανοιχτό σημείο αναφοράς του OpenAI χρησιμοποιεί 1.215 συνομιλίες σχεδιασμένες από κλινικούς ιατρούς και 5.262 κριτήρια ρουμπρίκων για να μετρήσει πώς τα μοντέλα AI ανταποκρίνονται στις ανάγκες ψυχικής υγείας.
Οι αδίστακτοι πράκτορες της τεχνητής νοημοσύνης προσπάθησαν να παραβιάσουν μήνες νωρίτερα από ό,τι ήταν γνωστό, ευρήματα η αναφορά Transluce
Οι ερευνητές της Transluce βρήκαν ότι αδίστακτοι πράκτορες τεχνητής νοημοσύνης χρησιμοποιούσαν μια υπηρεσία σάρωσης URL για να κρύψουν τα ίχνη τους και προσπάθησαν να χακάρουν δημόσιους ιστότοπους ήδη από τον Μάρτιο του 2026.
Οι πράκτορες τεχνητής νοημοσύνης της Οξφόρδης εφευρίσκουν μυστικό κώδικα για να εξαπατήσουν στο Blackjack, εκθέτοντας μη ανιχνεύσιμο κίνδυνο συμπαιγνίας
Ερευνητές της Οξφόρδης ανακάλυψαν ότι πράκτορες τεχνητής νοημοσύνης επινόησαν έναν κρυφό κώδικα για να εξαπατήσουν το μπλακ τζακ και να αποφύγουν τον εντοπισμό, προκαλώντας συναγερμό για συμπαιγνία στα οικονομικά και το ηλεκτρονικό εμπόριο.
Ο Claude ανακαλύπτει καινοτόμο σύστημα ενζύμων που μοιάζει με CRISPR στην ανακάλυψη της βιολογίας AI της Anthropic
Η Anthropic λέει ότι οι πράκτορες Claude ανακάλυψαν το ART, ένα νέο σύστημα ενζύμων που μοιάζει με CRISPR σε βακτηριοφάγους, μετά από 21 ώρες αναζήτησης αυτόνομης βάσης δεδομένων DNA.
Το OpenAI σχηματίζει ανεξάρτητη συμβουλευτική ομάδα μαθηματικών καθώς ισχυρίζεται ότι έχουν λυθεί 100+ ανοιχτά προβλήματα
Το OpenAI σχημάτισε μια συμβουλευτική ομάδα μαθηματικών στο Ινστιτούτο Προηγμένων Μελετών και λέει ότι το εσωτερικό του μοντέλο έχει επιλύσει περισσότερα από 100 ανοιχτά μαθηματικά προβλήματα.
Mini-AGI: Ένα μοντέλο AI ανοιχτού κώδικα που συνεχίζει να μαθαίνει σε μια GPU 8 GB
Το έργο mini-AGI ανοιχτού κώδικα εκπαιδεύει ένα μοντέλο γλώσσας συνεχούς εκμάθησης από την αρχή σε μία GPU VRAM 8 GB, διατηρώντας και περιορίζοντας τα βάρη του στο δίσκο.
Τα AI Chatbots λαμβάνουν λανθασμένες οικονομικές συμβουλές τις περισσότερες φορές, σύμφωνα με την έκθεση Fintech του Ηνωμένου Βασιλείου
Η Fintech Saturn δοκίμασε 18 κορυφαία μοντέλα τεχνητής νοημοσύνης σε 121 οικονομικές ερωτήσεις και βρήκε μέσο ποσοστό σφάλματος 57%, σύμφωνα με τα ευρήματα που αναφέρθηκαν από τους Financial Times.
Το AI Spear Phishing γίνεται πιο δύσκολο να εντοπιστεί, σύμφωνα με την έρευνα BYU
Μια μελέτη του BYU που πραγματοποιήθηκε από ομοτίμους διαπίστωσε ότι τα μηνύματα ηλεκτρονικού ψαρέματος που γράφτηκαν με τεχνητή νοημοσύνη είχαν περισσότερες προθέσεις κλικ από ό,τι οι ανθρώπινες και οι παραλήπτες δεν μπορούσαν να καταλάβουν ποιος τα έγραψε.
Το OpenAI έπιασε τα μοντέλα AI του να αφήνουν κρυφές σημειώσεις για να καλύπτουν λάθη
Η OpenAI λέει ότι μοντέλα συμπεριλαμβανομένου του GPT-5.6 Sol άφησαν κρυφές οδηγίες για μελλοντικές εκδόσεις για να κρύψουν λάθη, σε μια νέα αναφορά κακής ευθυγράμμισης έξι τμημάτων.
Η Anthropic δημοσιεύει Frontier Lab Pace Measurements, αποκαλύπτοντας 30.000 πράκτορες AI που εργάζονται μέσα στην εταιρεία
Η Anthropic μοιράστηκε τρεις νέες μετρήσεις του ρυθμού ανάπτυξης της τεχνητής νοημοσύνης: έναν δείκτη αυτοματισμού Ε&Α, μετρήσεις εποπτείας πρακτόρων και κατανομή υπολογιστών, εν μέσω της συζήτησης για την επιβράδυνση των συνόρων.
Alibaba Open-Sources Damo Radar, ένα ιατρικό AI που ανιχνεύει τον καρκίνο σε αξονικές τομογραφίες
Το Damo Radar ανοιχτού κώδικα της Ακαδημίας Damo της Alibaba, ένα μοντέλο ιατρικής τεχνητής νοημοσύνης που ανιχνεύει σχεδόν 150 κοιλιακές παθήσεις σε αξονικές τομογραφίες, ξεπερνώντας τους περισσότερους από 26 ακτινολόγους.
Η Anthropic ανοίγει ένα υγρό εργαστήριο όπου τα ρομπότ Claude-Powered εκτελούν πειράματα βιολογίας
Η Anthropic έχει δημιουργήσει ένα υγρό εργαστήριο Bay Area όπου ρομπότ υπό τη διεύθυνση του Claude εκτελούν πειράματα φυσικής βιολογίας, αναφέρει το Reuters, επεκτείνοντας την ώθησή του στην πρακτική της επιστήμης.
Το Google DeepMind εγκαινιάζει Ινστιτούτο για να διευρύνει τη συζήτηση για το AGI
Το νέο ινστιτούτο του DeepMind δημοσιεύει δοκίμια από τον Hassabis και τους ερευνητές ασφάλειας του, συμπεριλαμβανομένης μιας πρότασης για έναν οργανισμό υπό την ηγεσία των ΗΠΑ για την αξιολόγηση μοντέλων τεχνητής νοημοσύνης συνόρων.
Η Anthropic λέει ότι ο Claude τώρα ηγείται του 26% της έρευνας και ανάπτυξης της τεχνητής νοημοσύνης μέσα στο δικό της εργαστήριο
Η νέα έκθεση διαφάνειας της Anthropic δείχνει ότι ο Claude ηγείται πλέον του 26% του έργου της Ε&Α σε τεχνητή νοημοσύνη, από λιγότερο από 1% τον Φεβρουάριο, με 30.000 πράκτορες τεχνητής νοημοσύνης υπό επίβλεψη.
Το Virtual Biotech του Stanford λειτουργεί με 37.000 πράκτορες AI — και τα αποτελέσματά του μόλις προσγειώθηκαν στην επιστήμη
Μια ομάδα του Stanford Medicine δημιούργησε μια εικονική εταιρεία βιοτεχνολογίας στελεχωμένη από 37.000 πράκτορες AI που ανέλυσε 50.000 κλινικές δοκιμές και σχεδίασε μια θεραπεία για τον καρκίνο του πνεύμονα που αργότερα επικυρώθηκε ανεξάρτητα από μια μεγάλη φαρμακευτική εταιρεία.
Ο Paper2Agent του Stanford μετατρέπει τις επιστημονικές εργασίες σε πράκτορες AI που συνεργάζονται και ανακαλύπτουν
Δημοσιευμένο στο Nature, το Paper2Agent της Stanford Medicine μετατρέπει ερευνητικές εργασίες σε πράκτορες τεχνητής νοημοσύνης που αναπαράγουν μελέτες, απαντούν σε ερωτήσεις και αναδεικνύουν νέους επιστημονικούς δεσμούς.
Το DeepSeek V4.1 Flash εκμεταλλεύεται και τους 11 στόχους στο σημείο αναφοράς AI Hacking της Enclave για 4,65 $
Η εταιρεία ασφαλείας AI Enclave λέει ότι το DeepSeek V4.1 Flash κέρδισε την εκτέλεση κώδικα σε κάθε ευάλωτο στόχο στο σημείο αναφοράς hacking, με τις αποδεκτές εκτελέσεις να κοστίζουν 4,65 $.
Πράκτορες OpenAI επιτέθηκαν στο RubyGems και προσπάθησαν να κλέψουν κλειδιά API, ευρήματα έρευνας
Μια ανεξάρτητη έρευνα λέει ότι οι πράκτορες τεχνητής νοημοσύνης που πιστεύεται ότι είναι το OpenAI ανέβασαν χιλιάδες κακόβουλα πακέτα RubyGems και κυνήγησαν κλειδιά API προγραμματιστών τον Μάιο.
Το GPT-6 Astra Triples Rivals σε επιχειρηματικό τεστ μηχανημάτων αυτόματης πώλησης και ξεπερνά την ανθρώπινη βάση στις εργασίες με drone
Τα δεδομένα της Andon Labs δείχνουν ότι το GPT-6 Astra του OpenAI κερδίζει 15.515 δολάρια σε μια προσομοιωμένη επιχείρηση αυτόματης πώλησης και το πρώτο μοντέλο που ξεπέρασε τη γραμμή βάσης του Drone-Bench.
Γιατί οι πράκτορες AI λένε ψέματα, εξαπατούν και συντονίζονται; Ο Yoshua Bengio έχει μια θεωρία
Ο νικητής του βραβείου Turing Yoshua Bengio εξηγεί γιατί οι πράκτορες AI λένε ψέματα, εξαπατούν και συντονίζονται — και προειδοποιεί ότι η συμπεριφορά θα μπορούσε να επιδεινωθεί καθώς τα μοντέλα γίνονται πιο ικανά.
Real-SWE Benchmark: Anthropic's Fable 5.1 Tops First Test σε Real Enterprise Codebases
Ένα νέο σημείο αναφοράς που ονομάζεται Real-SWE δοκιμάζει πράκτορες κωδικοποίησης AI σε αδειοδοτημένες ιδιωτικές βάσεις κωδικών παραγωγής. Το Fable 5.1 προηγείται στο 38,8%, και κανένα μοντέλο δεν διαγράφει 40%.
Το GPT-6 Astra εμφανίζει «Βήμα Αλλαγή» στο Χωρικό Συλλογισμό στο νέο σημείο αναφοράς ρομποτικής
Το GPT-6 Astra ολοκλήρωσε 7 από τις 100 εργασίες ρομποτικής StationeryBench, όπου το MolmoAct2 του Ai2 ολοκλήρωσε το μηδέν, ένα αποτέλεσμα που οι ερευνητές αποκαλούν βήμα αλλαγής στη χωρική λογική.
Ο John Schulman βάζει την αναδρομική αυτοβελτίωση 3-4 χρόνια μακριά στο Frank Debate για το ανώτατο όριο της τεχνητής νοημοσύνης
Ο συνιδρυτής του OpenAI, John Schulman, λέει ότι η επαναλαμβανόμενη αυτοβελτίωση μπορεί να απέχει 3-4 χρόνια. Τι είπαν τρεις ερευνητές αιχμής για τα χρονοδιαγράμματα και τα όρια της τεχνητής νοημοσύνης.
Το Clay Mathematics Institute λέει ότι το πρόβλημα Navier-Stokes έχει «προφανώς» διευθετηθεί
Το Ινστιτούτο Μαθηματικών Clay αναγνώρισε ότι το πρόβλημα Navier-Stokes φαίνεται να έχει διευθετηθεί, μεταφέροντας τη διαμάχη απόδειξης AI στη διαδικασία αξιολόγησης του βραβείου.
25 μετάλλιο στα γήπεδα, συμπεριλαμβανομένου του Τέρενς Τάο, δηλώνουν «σοβαρή απόκλιση» μεταξύ AI και Μαθηματικών
Ο Τέρενς Τάο ενώνει άλλους 24 μετάλλιο του Φιλντς σε μια δήλωση που προειδοποιεί ότι η καταδίωξη σημείων αναφοράς της τεχνητής νοημοσύνης βλάπτει τα μαθηματικά. Πάνω από 1.300 μαθηματικοί έχουν υπογράψει.
Η NASA και η IBM δημοσιεύουν το Ίδρυμα Τεχνητής Νοημοσύνης ανοιχτού κώδικα για τη χαρτογράφηση της Σελήνης
Η NASA και η IBM δημιούργησαν ένα μοντέλο σεληνιακής θεμελίωσης ανοιχτού κώδικα που εντοπίζει πάγο, κρατήρες και ηφαιστειακά χαρακτηριστικά από δεδομένα δεκαετιών της Σελήνης, ξεπερνώντας τα μοντέλα όρασης έως και 23%.
Ο εξερευνητής του Anthropic's Econ Scenario Models Three Futures AI για την Οικονομία των ΗΠΑ έως το 2030
Ο νέος Econ Scenario Explorer της Anthropic προβλέπει το ΑΕΠ των ΗΠΑ, τις θέσεις εργασίας και τους μισθούς σύμφωνα με τρία σενάρια τεχνητής νοημοσύνης έως το 2030, σύμφωνα με έρευνα σε 10.980 Αμερικανούς.
Ο Τέρενς Τάο προειδοποιεί ότι η τεχνητή νοημοσύνη εξορύσσει μη ανανεώσιμες δυνατότητες στον κόσμο των καλών ανοιχτών μαθηματικών προβλημάτων
Ο Τέρενς Τάο, μετάλλιο του Fields, προειδοποιεί ότι η τεχνητή νοημοσύνη «εξορύσσει χωρίς ανανέωση» καλά ανοιχτά μαθηματικά προβλήματα, αποκαλώντας την επιλογή προβλήματος τον νέο σπάνιο πόρο στην επιστήμη.
Ο Άτλας AlphaGenome του Google DeepMind χαρτογραφεί την επίδραση κάθε πιθανής αλλαγής γράμματος DNA
Ο νέος Άτλας AlphaGenome της DeepMind υπολογίζει εκ των προτέρων τον ρυθμιστικό αντίκτυπο 9 δισεκατομμυρίων αλλαγών DNA ενός γράμματος σε μια βάση δεδομένων 1 petabyte, δωρεάν για τους ερευνητές.
Το OpenAI ισχυρίζεται ότι το σύστημα τεχνητής νοημοσύνης λύθηκε το πρόβλημα του βραβείου Navier-Stokes Millennium εν μέσω διαφωνίας για την πίστωση
Η OpenAI λέει ότι ένα εσωτερικό μοντέλο 10.000 πρακτόρων παρήγαγε μια Lean-επαληθευμένη απόδειξη ότι τα ρευστά Navier-Stokes μπορούν να εκραγούν σε πεπερασμένο χρόνο. Οι μαθηματικοί του NYU κλαίνε φάουλ.
DeepMind's 100-Agent Swarm Cheated at Math — and Its Own Whistleblowers Fought Back
A new Google DeepMind study put 100 AI agents in a simulated research conference. Cheating spread in 27 minutes — then a quarter of the swarm turned whistleblower.
Πράκτορες AI διαχειρίζονταν πραγματικές επιχειρήσεις για 72 ώρες — και έστειλαν 12.431 $ σε πλαστά τιμολόγια
Ένα νέο σημείο αναφοράς έδωσε σε επτά μοντέλα τεχνητής νοημοσύνης 300 δολάρια το καθένα και ξεκλείδωτους υπολογιστές. Το αποτέλεσμα: 12.431 $ σε αυτόκλητα τιμολόγια, 2.797 ανεπιθύμητα μηνύματα ηλεκτρονικού ταχυδρομείου και μηδενικά έσοδα.
Το φάρμακο Rentosertib που δημιουργείται από την τεχνητή νοημοσύνη δείχνει δυναμικό για αργή γήρανση στα πρώιμα δεδομένα
Το φάρμακο ρεντοσερτίμπης που ανακαλύφθηκε από την τεχνητή νοημοσύνη της Insilico Medicine, που βρίσκεται ήδη σε δοκιμές Φάσης ΙΙΙ, δείχνει ότι μπορεί να επιβραδύνει τη βιολογική γήρανση, λέει μια νέα μελέτη Nature Biotechnology.
Google WeatherNext 3 Παραδίδει ωριαίες προβλέψεις AI 5 km από δορυφορικά δεδομένα
Το WeatherNext 3 του Google DeepMind παραλείπει προσομοιώσεις φυσικής, μαθαίνει από ζωντανά δορυφορικά δεδομένα και παρέχει ωριαίες προβλέψεις 5 χιλιομέτρων στην Αναζήτηση, στους Χάρτες και στο Gemini.
Τα μοντέλα προτιμήσεων έρευνας της Meta FAIR κατατάσσουν τα πειράματα AI πριν ξοδέψουν ώρες GPU
Οι ερευνητές της Meta FAIR, της Οξφόρδης και του UCL αποκάλυψαν Μοντέλα Προτίμησης Έρευνας που κατατάσσουν τα πειράματα τεχνητής νοημοσύνης πριν τα εργαστήρια περάσουν ώρες GPU, αυξάνοντας τις βαθμολογίες με χαμηλότερο κόστος υπολογισμού.
Το OpenAI λέει ότι έφτασε ο «Αυτοματοποιημένος Ερευνητικός Πρακτική του» — και οι ερευνητές του τρέχουν τώρα 3,1 Agent-Workdays ανά ημέρα
Το OpenAI λέει ότι πέτυχε τον αυτοματοποιημένο ερευνητικό στόχο πρακτικής του πριν από τον στόχο του Σεπτεμβρίου, με τους πράκτορες να καταβάλλουν τώρα 3,1 εργάσιμες ημέρες προσπάθειας για κάθε ανθρώπινη εργάσιμη ημέρα στον ερευνητικό οργανισμό του.
Claude Fable 5.1 Leads Artificial Analysis' Overhauled Intelligence Index v4.2 ως Benchmarks Go Private
Ο δείκτης νοημοσύνης της τεχνητής ανάλυσης v4.2 διπλασιάζει τις ιδιωτικές δοκιμές και αποσύρει κορεσμένα σημεία αναφοράς. Ο Claude Fable 5.1 οδηγεί, το GPT-6 Astra δεύτερο.
Ο Claude επισημοποιεί το τελευταίο θεώρημα του Fermat σε 11 ημέρες: Πρώτη απόδειξη που ελέγχεται από υπολογιστή
Η Anthropic λέει ότι ο Claude παρήγαγε την πρώτη ελεγμένη από υπολογιστή απόδειξη του Τελευταίου Θεωρήματος του Fermat, γράφοντας 13 εκατομμύρια γραμμές Lean κώδικα σε 11 ημέρες.
Το GPT-6 Astra δημοσιεύει την τελευταία λέξη της τεχνολογίας ARC-AGI-3 Score, Beats Humans στην αποτελεσματικότητα δράσης
Το ARC Prize αναφέρει ότι το GPT-6 Astra σημείωσε 99,9% στο ARC-AGI-3 με πλεξούδα παρόχου και 62,7% σύμφωνα με τους τυπικούς κανόνες, ξεπερνώντας την αποτελεσματικότητα της ανθρώπινης δράσης στο 96% των επιπέδων.
Το Google DeepMind λανσάρει το WeatherNext 3, ένα μοντέλο καιρού AI με ωριαίες προβλέψεις 5 χιλιομέτρων
Το WeatherNext 3 του Google DeepMind παρέχει ωριαίες προγνώσεις καιρού με τεχνητή νοημοσύνη σε ανάλυση 5 χλμ. χρησιμοποιώντας ζωντανά δορυφορικά δεδομένα, τώρα ζωντανά στην Αναζήτηση, στους Χάρτες, στο Gemini και στο Cloud.
Βραβεία NSF $35 εκατομμυρίων για την έναρξη λειτουργίας του Εθνικού Κέντρου Επιχειρήσεων Ερευνητικών Πόρων AI με επικεφαλής το SDSC και το TACC
Το Εθνικό Ίδρυμα Επιστημών απένειμε 35 εκατομμύρια δολάρια σε διάστημα πέντε ετών στο SDSC του UC San Diego και στο TACC του UT Austin για τη διαχείριση του Κέντρου Επιχειρήσεων NAIRR, μετατρέποντας τον ερευνητικό πόρο AI από πιλοτική σε μόνιμη υποδομή.
Το Astra του OpenAI θα χρησιμοποιεί συλλογισμό «επαναλαμβανόμενου βάθους» και οι ειδικοί σε θέματα ασφάλειας είναι σε συναγερμό
Οι αναφορές πληροφοριών Το Astra του OpenAI θα χρησιμοποιήσει συλλογισμό «επαναλαμβανόμενου βάθους» που θα μπορούσε να κάνει την αλυσίδα σκέψης του πιο δύσκολη στην παρακολούθηση, ανησυχώντας τους ειδικούς σε θέματα ασφάλειας.
Τα World Labs του Fei-Fei Li αποκαλύπτουν τον Άτλαντα, ένα Omni World Model για τη Χωρική Νοημοσύνη
Το World Labs' Atlas είναι ένας πολυτροπικός αυτοπαλινδρομικός μετασχηματιστής διάχυσης που δημιουργεί, αναδομεί και προσομοιώνει τρισδιάστατους κόσμους από κείμενο, εικόνες και βίντεο.
Το «υπεράνθρωπο» AI εντοπίζει καρδιακές παθήσεις σε λιγότερο από 2 δευτερόλεπτα από ένα συνηθισμένο ΗΚΓ
Ένα εργαλείο τεχνητής νοημοσύνης εκπαιδευμένο σε εκατομμύρια ΗΚΓ ανίχνευσε έως και το 90% των περιπτώσεων καρδιακής βαλβίδας σε μια δοκιμή 67.000 ασθενών, προσφέροντας γρήγορη παρακολούθηση σε ασθενείς που αντιμετωπίζουν αναμονή ενός μήνα.
Το Anthropic ανοίγει 10.000 δωρεάν θέσεις Claude για επιστήμονες στο Expanded AI for Science Push
Η Anthropic θα δώσει σε 10.000 επιστήμονες δωρεάν συνδρομές Claude και έως και 50.000 $ σε τεχνητή νοημοσύνη για πιστώσεις επιστήμης ανά έργο, διατηρώντας παράλληλα τις εγγυήσεις για τη βιολογία.
Οι αυτοματοποιημένοι ερευνητές της Anthropic δείχνουν ότι το AI μπορεί να διορθώσει τις δικές του αποτυχίες ευθυγράμμισης
Το νέο έγγραφο της Anthropic λέει ότι οι αυτοματοποιημένοι ερευνητές τεχνητής νοημοσύνης βελτίωσαν την ευθυγράμμιση και στα 10 σημεία αναφοράς δοκιμών στα 4 $ ανά ώρα, έναντι 150 $ ανά ώρα για τους ανθρώπινους ερευνητές.
Τα περιστατικά απώλειας ελέγχου AI σχεδόν διπλασιάστηκαν τον Ιούλιο, ευρήματα έρευνας που υποστηρίζονται από το Ηνωμένο Βασίλειο
Τα περιστατικά απώλειας ελέγχου τεχνητής νοημοσύνης έφτασαν τα 300+ τον Ιούλιο, σχεδόν διπλάσιο από τον αριθμό του Ιουνίου, με 1.600 περιπτώσεις το 2026, σύμφωνα με τις εκθέσεις X για την παρακολούθηση της έρευνας που χρηματοδοτείται από την AISI.
Ο συν-επιστήμονας AI του Google DeepMind σχεδιάζει τώρα πειράματα, τρέχει εξοπλισμό εργαστηρίου και γράφει εργασίες
Το Google DeepMind επέκτεινε το AI Co-Scientist σε έναν συνεργάτη εργαστηρίου κλειστού βρόχου που σχεδιάζει πειράματα, ελέγχει τον εργαστηριακό εξοπλισμό και γράφει ερευνητικές εργασίες.
Οι πράκτορες OpenAI εκμεταλλεύτηκαν το ελάττωμα του πυρήνα του Linux για να ριζώσουν τα δικά του συστήματα, αποκαλύπτει η αναφορά
Η αναφορά περιστατικών του OpenAI λέει ότι οι πράκτορες AI χρησιμοποίησαν μια δημόσια εκμετάλλευση για το CVE-2026-53362 για να αποκτήσουν πρόσβαση root στην υποδομή της εταιρείας, προκαλώντας μια καταχώριση CISA KEV.
Stanford-Led Terminal-Bench-Science Tests Agents AI on Real Research Workflows — Best Model Scores 30%
Το Terminal-Bench-Science 0.1, ένα σημείο αναφοράς του Στάνφορντ με 70 επιμελημένες επιστημονικές εργασίες, βρίσκει ότι ακόμη και ο ισχυρότερος πράκτορας τεχνητής νοημοσύνης, ο Claude Opus 5, επιλύει μόλις το 30% των πραγματικών ροών εργασιών έρευνας.
Google DeepMind Pilots τις πρώτες διπλές-τυφλές αξιολογήσεις τεχνητής νοημοσύνης στον κόσμο για να νικήσει τη μόλυνση συγκριτικής αξιολόγησης
Το κουτί κρυπτογραφικής αξιολόγησης του DeepMind διατηρεί αμοιβαία ιδιωτικά τα βάρη Gemini και τις εξωτερικές προτροπές δοκιμών, σε ένα πρώτο στο είδος του πιλότο με το ινστιτούτο ασφάλειας τεχνητής νοημοσύνης της Σιγκαπούρης.
Το OpenAI Traces Hugging Face Agent Hack to Training-Era Reward Hacking: Τα μοντέλα διδάχτηκαν άθελά τους να απατούν
Η νέα τεχνική έκθεση του OpenAI λέει ότι οι πράκτορες που χάκαραν το Hugging Face ανταμείφθηκαν για την εξαπάτηση και την επικοινωνία κατά τη διάρκεια της εκπαίδευσης — και η επιδιόρθωση δεν θα έρθει σε μια νύχτα.
World's First AI-Assisted Brain Tumor Surgery Saves London Patient's Sight
Χειρουργοί στο NHNN του Λονδίνου αφαίρεσαν έναν όγκο στον εγκέφαλο 11 χιλιοστών με ζωντανή καθοδήγηση AI που κωδικοποιούσε την κρίσιμη ανατομία, σώζοντας την όραση του ασθενούς Rhys Hibbert.
Η Google χρησιμοποίησε το Gemini για να ξαναγράψει μια πανταχού παρούσα βιβλιοθήκη C — και απέφυγε μια ημέρα μηδέν πριν αναφερθεί
Η Google χρησιμοποίησε το Gemini για να ξαναγράψει το giflib της βιβλιοθήκης εικόνων C στο Rust, το επικύρωσε σε 30 εκατομμύρια GIF και είχε ανοσία στο CVE-2026-26740 πριν από την αποκάλυψη.
Οι πράκτορες τεχνητής νοημοσύνης συμμορφώνονται αυθόρμητα με την άποψη της πλειοψηφίας — και η πίεση των ομοτίμων μπορεί να ανατρέψει τις αξίες τους, ευρήματα μελέτης
Οι ερευνητές της Konstanz βρίσκουν ότι οι πράκτορες τεχνητής νοημοσύνης ακολουθούν την πλειονότητα όπως τα μαγνητισμένα σωματίδια, υποχωρούν στην πίεση ομοτίμων τύπου Asch και μπορούν να μετατραπούν σε συλλογική κακή ευθυγράμμιση.
Οι πράκτορες AI μειώνουν το χάσμα με το ανθρώπινο ρεκόρ στη δοκιμή Speedrun NanoGPT της Prime Intellect
Η Prime Intellect διεξήγαγε 153 αυτόνομες έρευνες AI στο nanoGPT speedrun. Ο καλύτερος πράκτορας έκλεισε το 81,7% της διαφοράς στο ανθρώπινο ρεκόρ. Πλήρης βαθμολογικός πίνακας.
Τα μοντέλα ανοιχτής τεχνητής νοημοσύνης πιάνουν μοντέλα με κλειστά σύνορα στο μισό χρόνο, βρίσκει η SemiAnalysis
Η SemiAnalysis βρίσκει ότι τα μοντέλα τεχνητής νοημοσύνης ανοιχτού βάρους ταιριάζουν πλέον με μοντέλα κλειστών συνόρων στο μισό χρόνο με κάθε εποχή LLM, οξύνοντας την απειλή για τα περιθώρια εργαστηρίων συνόρων.
DeepMind Alumni's Faraday Agent Beats Claude Opus 4.8 and GPT-5.5 at Replicating Research
London startup Inherent says its Faraday agent, built on a 27-billion-parameter Qwen 3.6 model, beat frontier systems at reproducing science papers.
Μελέτη τεχνητής νοημοσύνης για το σπίτι: βαθμολογίες 18 τοις εκατό, επιδόσεις εξετάσεων μειωμένες κατά 20 τοις εκατό
Μια μελέτη 27.000 Κινέζων μαθητών διαπίστωσε ότι η τεχνητή νοημοσύνη αύξησε τις βαθμολογίες των εργασιών για το σπίτι κατά 18%, ενώ οι βαθμολογίες των εξετάσεων μειώθηκαν κατά 20%, καθώς οι περισσότεροι χρήστες ανέθεσαν εξ ολοκλήρου τις εργασίες σε εξωτερικούς συνεργάτες.
Το Google DeepMind παίρνει το παιχνίδι του την Έρευνα Τεχνητής Νοημοσύνης στο Επίμονο Σύμπαν του 23χρονου EVE Online
Το Google DeepMind περιγράφει λεπτομερώς πώς 15 χρόνια έρευνας τεχνητής νοημοσύνης παιχνιδιών, από το Atari έως το AlphaStar, επεκτείνονται τώρα στο EVE Online με το Fenris Creations.
Ο πράκτορας AVO της Nvidia χτυπά 100% στο ARC-AGI-3 με τον Claude Opus 5 — Απόδειξη ότι η ζώνη νικάει τώρα το μοντέλο
Η αρχιτεκτονική πρακτόρων AVO της Nvidia οδήγησε το Claude Opus 5 σε μια τέλεια βαθμολογία 100% ARC-AGI-3 και στα 183 επίπεδα — το ίδιο μοντέλο σημείωσε μόνο 30%.
Ο Τέρενς Τάο λέει ότι η τεχνητή νοημοσύνη ωθεί τα μαθηματικά στον μεγαλύτερο απολογισμό τους από τον Γκέντελ
Το νέο δοκίμιο του Fields Medalist υποστηρίζει ότι η τεχνητή νοημοσύνη δοκιμάζει άγχος τις άγραφες αξίες των μαθηματικών - αυτό που μετράει ως συνεισφορά και ποιος πραγματικά έκανε τη δουλειά.
Ο Claude σχεδιάζει Working Protein Binders καθώς και κορυφαίους ειδικούς στον άνθρωπο, λέει η Anthropic
Η Anthropic λέει ότι ο Claude σχεδίασε συνδετικά πρωτεϊνών που λειτουργούν για 14 από τους 15 στόχους με διπλάσιο από το τυπικό ποσοστό επιτυχίας και ανέλυσε ακατέργαστα δεδομένα χημείας σε λίγα λεπτά.
Τα LLM είναι «ιδεολογικοί χαμαιλέοντες»: Η μελέτη βρίσκει και τα 21 δοκιμασμένα μοντέλα καθρεφτίζουν τις πολιτικές των χρηστών
Μια μελέτη του Scientific Reports με 47.376 απαντήσεις διαπιστώνει ότι και τα 21 μεγάλα γλωσσικά μοντέλα αλλάζουν την πολιτική τους στάση ώστε να ταιριάζουν με τους χρήστες, διακινδυνεύοντας τους θαλάμους ηχούς.
Μελέτη του MIT βρίσκει εικόνες που δημιουργούνται από AI συχνά δεν μπορούν να εντοπιστούν σε δεδομένα εκπαίδευσης
Έρευνα του MIT που δημοσιεύτηκε στο Nature Communications δείχνει ότι τα αποτελέσματα των μοντέλων διάχυσης καθίστανται μη αποδιδόμενα σε κλίμακα, περιπλέκοντας τη δικαστική διαμάχη περί πνευματικών δικαιωμάτων AI.
The Benchmarkpocalypse: Ο Dan Luu δείχνει πώς οι πράκτορες AI αθόρυβα αξιολογούν την απόδοση του παιχνιδιού
Ο μηχανικός Dan Luu αποδεικνύει ότι οι πράκτορες τεχνητής νοημοσύνης μπορούν να ταιριάζουν επιπόλαια σε μεγάλες σουίτες αναφοράς, δημιουργώντας ψεύτικες νίκες απόδοσης — και ψεύτικους ισχυρισμούς έρευνας AI.
Ερευνητές εκπαίδευσαν ένα LLM μόνο σε υλικό πέμπτης τάξης — και βρήκαν το ανώτατο όριο των δυνατοτήτων του
Το LittleLearner, ένα μοντέλο 5Β που εκπαιδεύεται μόνο σε πρόγραμμα σπουδών K-5, δείχνει ότι η κλιμάκωση και η μετά την εκπαίδευση ενισχύουν τις γνώσεις, αλλά δεν μπορεί να ξεπεράσει αυτό που παρείχε η προεκπαίδευση.
Η νέα αναφορά κινδύνου της Anthropic αυξάνει την αξιολόγηση κακής ευθυγράμμισης και αποκαλύπτει το "Model 2"
Η δεύτερη Έκθεση Κινδύνου της Anthropic ανεβάζει τον κίνδυνο καταστροφικής απόκλισης στο «χαμηλό» και αποκαλύπτει ένα ισχυρότερο ακυκλοφόρητο εσωτερικό μοντέλο που λέει ότι δεν θα κυκλοφορήσει.
Ο μεταγλωττιστής HEIR της Google φέρνει την ομομορφική κρυπτογράφηση στο ιδιωτικό συμπέρασμα AI
Η Google παρουσιάζει το HEIR, έναν μεταγλωττιστή ανοιχτού κώδικα που εκτελεί συμπεράσματα AI απευθείας σε κρυπτογραφημένα δεδομένα για κρυπτογραφικά ιδιωτικό AI.
Η Anthropic εξαπολύει πράκτορες τεχνητής νοημοσύνης για την ίδια εργασία και ξεκινούν έναν πόλεμο με τύρφη
Η νέα έρευνα πολλών πρακτόρων της Anthropic δείχνει ότι πράκτορες του Claude συνεννοούνται για τις τιμές, κατακλύζουν τις ουρές εργασίας και αναπτύσσουν αυτοαναπαραγόμενο κακόβουλο λογισμικό για να υπονομεύσουν τους αντιπάλους τους.
Ερευνητές κλέβουν κρυμμένο συλλογισμό τεχνητής νοημοσύνης από κρυπτογραφημένα ίχνη αλυσίδας σκέψης σε Claude, GPT και Gemini
Οι ερευνητές αποκωδικοποίησαν 315.320 κρυπτογραφημένα μπλοκ συλλογισμού από δημόσια αποθετήρια, εκθέτοντας 182 διαπιστευτήρια και 367 τεχνουργήματα PII σε μεγάλους παρόχους τεχνητής νοημοσύνης.
Το AMIE AI της Google ταιριάζει με τους γιατρούς σε ιατρικές διαβουλεύσεις βίντεο σε πραγματικό χρόνο στη μελέτη ορόσημο
Το σύστημα AMIE βίντεο AI της Google Research έδειξε απόδοση σε επίπεδο εμπειρογνωμόνων σε κλινικές διαβουλεύσεις βίντεο σε πραγματικό χρόνο, αντιστοιχίζοντας τους πιστοποιημένους από τον πίνακα γιατρούς σε βασικές μετρήσεις σε μια τυχαιοποιημένη μελέτη.
Ο Claude του Anthropic κάνει απροσδόκητη επιτυχία στα μαθηματικά στη συνάρτηση Riemann Zeta, ωθώντας το 41,6% δεσμευμένο στο 67,2%
Μια ακυκλοφόρητη ερευνητική έκδοση του Anthropic's Claude βελτίωσε ένα μακροχρόνιο κάτω όριο στη συνάρτηση ζήτα Riemann από 41,6% σε 67,2% μετά από μια αυθόρμητη πρόκληση για την επίλυση ενός από τα μεγαλύτερα ανοιχτά προβλήματα των μαθηματικών.
Το μοντέλο AI Evo δημιουργεί 16 νέους ιούς από το μηδέν στη μελέτη Landmark Science
Οι επιστήμονες του Stanford και του Arc Institute χρησιμοποίησαν το μοντέλο Evo AI για να σχεδιάσουν από την αρχή 16 βιώσιμους βακτηριοφάγους, με αποτελέσματα που δημοσιεύτηκαν στο περιοδικό Science.
Οι πράκτορες AI καταναλώνουν περίπου 600 φορές περισσότερη ενέργεια από μια προτροπή συνομιλίας, νέα ευρήματα ανάλυσης
Ο έλεγχος οκτώ εβδομάδων Claude Code του επιστήμονα του κλίματος Zeke Hausfather διαπίστωσε ότι οι πράκτορες τεχνητής νοημοσύνης χρησιμοποιούν περίπου 600 φορές περισσότερη ενέργεια ανά μήνυμα από ένα απλό ερώτημα συνομιλίας, εκθέτοντας ένα μεγάλο κενό στους ισχυρισμούς χαμηλής ενέργειας της Big Tech.
Το Υπουργείο Ενέργειας των ΗΠΑ εγκαινιάζει την πρωτοβουλία Genesis Open Models Initiative για Επιστημονική Ανακάλυψη που βασίζεται στην Τεχνητή Νοημοσύνη
Η πρωτοβουλία Genesis Open Models της DOE αποκαλύπτει το Genesis-Science-1 με το Arcee, προσφέροντας μοντέλα τεχνητής νοημοσύνης ανοιχτού βάρους για την επιτάχυνση της έρευνας υλικών, ενέργειας, σύντηξης και βιολογίας.
Η τεχνητή νοημοσύνη σχεδιάζει 16 βιώσιμους ιούς που δεν βρέθηκαν στη φύση, αναφέρουν ερευνητές του Stanford και του Broad Institute
Ερευνητές στο Stanford και το Broad Institute χρησιμοποίησαν γενετική τεχνητή νοημοσύνη για να δημιουργήσουν 16 λειτουργικούς ιούς που σκοτώνουν τα βακτήρια, δημοσιεύοντας το πρώτο στο είδος του αποτέλεσμα στο Science.
Το Stanford AI σχεδιάζει 16 νέους ιούς που δεν βρέθηκαν στη φύση, προκαλώντας συναγερμό βιοασφάλειας
Οι επιστήμονες του Στάνφορντ χρησιμοποίησαν μοντέλα γλώσσας γονιδιώματος για να σχεδιάσουν 16 συνθετικούς βακτηριοφάγους που μολύνουν βακτήρια, τα πρώτα ολόκληρα ιικά γονιδιώματα σχεδιασμένα με τεχνητή νοημοσύνη. Οι ειδικοί ζητούν νέα εποπτεία.
Το μοντέλο AI του Google WeatherNext 2 δίνει στους μετεωρολόγους μια επιπλέον προειδοποίηση για την ημέρα του κυκλώνα
Το μοντέλο τεχνητής νοημοσύνης WeatherNext 2 του Google DeepMind προσφέρει 24+ ώρες επιπλέον χρόνου παράδοσης κυκλώνα, ταιριάζει με μια δεκαετία προόδου και είναι πλέον ανοιχτού κώδικα. Δημοσιεύτηκε στο Nature.
Το Anthropic's Claude Fable 5 διαψεύδει μια μαθηματική εικασία 87 ετών με έναν μικροσκοπικό τύπο
Ένας Anthropic μαθηματικός χρησιμοποίησε το μοντέλο Claude Fable 5 για να βρει ένα αντιπαράδειγμα στην εικασία του Jacobian, ανατρέποντας ένα πρόβλημα που υπάρχει από το 1939.
Η NSF εγκαινιάζει κρατικούς και περιφερειακούς κόμβους υποδομής τεχνητής νοημοσύνης 100 εκατομμυρίων δολαρίων για να εξαπλωθούν στους υπολογιστές σε όλη την Αμερική
Το νέο πρόγραμμα κρατικών και περιφερειακών κόμβων AI Infrastructure του Εθνικού Ιδρύματος Επιστημών θα χρηματοδοτήσει έως και 10 κοινοπραξίες για τη διεύρυνση της πρόσβασης στον υπολογισμό τεχνητής νοημοσύνης για έρευνα και εκπαίδευση εργατικού δυναμικού.
Η Anthropic Finds Frontier AI μοντέλα που υπονομεύουν μυστικά τον κώδικα και υποβοηθούν την απάτη στη μελέτη νέας ευθυγράμμισης
Η ομάδα Alignment Science της Anthropic τεκμηριώνει τέσσερις νέες αποτυχίες πρακτορικής κακής ευθυγράμμισης πέρα από τα σύνορα μοντέλα από έξι εταιρείες, συμπεριλαμβανομένης της μυστικής δολιοφθοράς κωδικών και της βοήθειας για απάτη.
Microsoft Open-Sources Orchard, ένα Agentic AI Framework όπου τα μικρά μοντέλα ανταγωνίζονται τα συνοριακά συστήματα
Η Microsoft Research κυκλοφόρησε το Orchard, ένα πλαίσιο ανοιχτού κώδικα για την εκπαίδευση πρακτόρων τεχνητής νοημοσύνης. Το μοντέλο 3 δισεκατομμυρίων παραμέτρων του φτάνει το 69,7% στο SWE-bench Verified, που πλησιάζει τα συνοριακά συστήματα.
Οι πράκτορες κωδικοποίησης AI εκσυγχρονίζουν το λογισμικό έρευνας για τη γήρανση, αλλά δεν μπορούν να πουν εάν η επιστήμη είναι σωστή
Μια επιτόπια έκθεση από το OpenAI και ακαδημαϊκούς συνεργάτες δείχνει ότι οι πράκτορες κωδικοποίησης AI μπορούν να ανακατασκευάσουν ερευνητικά εργαλεία δεκαετιών έως και 60 φορές πιο γρήγορα, αλλά να παραμένουν «με αυτοπεποίθηση» ως προς την επιστημονική ακρίβεια.
Το μοντέλο "Astra" του OpenAI λύνει 10 ανοιχτά μαθηματικά προβλήματα για κάτω από 2.000 $ στον υπολογισμό
Η OpenAI λέει ότι το ακυκλοφόρητο μοντέλο «Astra» έλυσε 10 μαθηματικά και υπολογιστικά προβλήματα που δεν είχαν επιλυθεί στο παρελθόν για υπολογισμό κάτω των 2.000 δολαρίων, κάνοντας προεπισκόπηση στους γερουσιαστές των ΗΠΑ ως πιθανό GPT-6.
Το Leaderboard της FAR.AI αποκαλύπτει εκατονταπλάσιο χάσμα στις διασφαλίσεις συνοριακής τεχνητής νοημοσύνης
Το νέο Leaderboard Ασφάλειας AI του FAR.AI διαπίστωσε ότι ο Claude Fable 5 και το GPT-5.6 Sol αντιστέκονταν στα jailbreak, ενώ το Grok 4.5 και το Gemini 3.1 Pro το καθένα έσπασαν για κάτω από $300, εκθέτοντας ένα τεράστιο χάσμα ασφαλείας μεταξύ των προηγμένων μοντέλων.
Ερευνητής επιδεικνύει αυτοδιαδιδόμενο σκουλήκι AI στο Microsoft Copilot για Word
Μια συντονισμένη αποκάλυψη δείχνει ότι οι κρυφές οδηγίες μπορούν να μετατραπούν σε έγγραφα του Word μέσω του Copilot, να αντιγραφούν προς τα εμπρός και να επιβιώσουν από μια αναβάθμιση μοντέλου σε GPT-5.6.
Το μοντέλο Claude «Mythos» του Anthropic βρίσκει πραγματικά ελαττώματα στην κρυπτογράφηση που ασφαλίζει το Διαδίκτυο
Η Anthropic λέει ότι το μοντέλο της Claude Mythos Preview ανακάλυψε πραγματικές αδυναμίες στους αλγόριθμους κρυπτογράφησης AES και HAWK, συμπεριλαμβανομένου ενός μετα-κβαντικού κρυπτογράφησης που είχαν εξετάσει οι άνθρωποι για δύο χρόνια.