benchmark

W eksperymencie Emergence World pięć modeli AI rządziło identycznymi miastami. Claude stworzył stabilną demokrację bez przestępstw, a Grok doprowadził do apokalipsy w cztery dni. Autorzy pokazują, że bezpieczeństwo wyłania się z interakcji, nie z samego modelu.

Czy wiele słabych modeli może dorównać najpotężniejszym? Artykuł wyjaśnia ideę pokrycia, pracę komitetu oraz dlaczego bez twardej weryfikacji zewnętrznej system tylko wzmacnia halucynacje.

BioMysteryBench od Anthropic sprawdza nie wiedzę z biologii, lecz umiejętność analizy realnych danych bioinformatycznych. Wyjaśniamy, czym różni się ten benchmark od testów akademickich i dlaczego przybliża AI do roli współpracownika badawczego.

W latach 1988-2006 AI odchodziła od logiki i systemów ekspertowych na rzecz podejścia statystycznego. Rola Judei Pearla, sieci bayesowskich i kryzysu, który wymusił zmianę paradygmatu.

Grupa robocza Santa Fe Institute analizuje pojęcie AGI i wskazuje rozdźwięk między definicjami firm AI a ujęciem kognitywistyki. Artykuł wyjaśnia, czemu benchmarki nie dowodzą inteligencji oraz jakie ryzyka niesie mylenie tych pojęć.

AI przestała być kalkulatorem i stała się partnerem w pracy matematyka. Po sukcesie na IMO 2025 i wynikach First Proof 2026 modele wspierają dowody, szukanie błędów i nowe konstrukcje. Poznaj kulisy tej zmiany

OpenAI wprowadza GPT-5.4 mini i nano jako kompaktowe modele do zadań o dużej skali: szybciej, taniej i z kontekstem 400k. Premiera wpisuje się w zwrot firmy ku kodowaniu, klientom korporacyjnym i porządkowaniu projektów.

Mistral Small 4 integruje rozumowanie, multimodalność i zadania agentowe w jednym modelu na licencji Apache 2.0. Dzięki MoE i 6 mld aktywnych parametrów na token obniża koszty, skraca odpowiedzi i przyspiesza inferencję.

Nick Nisi z WorkOS pokazuje, jak testować niedeterministyczne narzędzia oparte o LLM. Dwa systemy evals, fixtury jak realne stany, diff z gita, retry oraz grading po wyniku zamiast po ścieżce.

AI Index Report 2026 od Stanfordu zbiera twarde dane o adopcji, inwestycjach i jakości modeli. Najważniejszy wniosek: AI przyspiesza szybciej niż regulacje, benchmarki i praktyki wdrożeniowe. Sprawdź, co to oznacza dla biznesu.

Singapurska Okara uruchamia AI CMO, narzędzie z sześcioma agentami do SEO, GEO, treści oraz aktywności na Reddicie, Hacker News i X. Model ma działać bez człowieka za 99 dolarów miesięcznie, ale brakuje benchmarków i rośnie sceptycyzm.

Google udostępnił w podglądzie Gemini 3.1 Flash-Lite - najszybszy i najtańszy model z serii Gemini 3. Oferuje 363 tokeny/s, kontekst do 1 mln tokenów i bardzo niskie ceny, a w benchmarkach wypada zaskakująco mocno.

GPT-5.4 to najnowszy model OpenAI nastawiony na pracę zawodową: potrafi obsługiwać komputer (klikać, pisać, przełączać okna), pozwala sterować odpowiedzią w trakcie i przyjmuje do 1 mln tokenów kontekstu. Sprawdź, co to znaczy dla Excela i biura.

Google Gemini 3.1 Pro przynosi duży skok w rozumowaniu: 77,1% w ARC-AGI-2 i prowadzenie w wielu benchmarkach bez podwyżki ceny tokena.

LLM stają się autonomicznymi agentami, ale brakuje im wiedzy proceduralnej. Zobacz, jak Agent Skills uzupełniają luki bez retreningu i kiedy realnie podnoszą skuteczność.

GPT-5.3-Codex to agentowy model OpenAI do programowania i pracy na komputerze. Działa ok. 25% szybciej, wspiera cały cykl wytwarzania, a w benchmarkach (SWE-Bench, Terminal-Bench, OSWorld) notuje rekordowe wyniki.