suorituskykytestit

Googlen Gemini 4 Pro ilmestyi vertailualustalle valenimellä

Malli, jonka epäillään olevan Alphabet Inc:n seuraavan sukupolven tekoälylippulaiva Gemini 4 Pro, on ilmestynyt Arena-vertailualustalle nimellä "gemini-3.8-flash", kertovat 17. syyskuuta liikkeelle lähteneet kehittäjien raportit. Mallia, joka kantaa sisäistä koodinimeä Argon, ei ole virallisesti julkistettu Googlen toimesta, mutta vuotaneet testitulokset viittaavat…

Uusi testi paljastaa: Kvanttitietokoneet ovat 100 000 kertaa liian hitaita tieteelliseen hyötyyn

Nykyiset kvanttitietokoneet ovat edelleen noin viisi kertaluokkaa jäljessä laskentatehosta, jota tarvittaisiin merkittävien tieteellisten ongelmien ratkaisemiseen, ilmenee arXiv-esijulkaisupalvelimella julkaistusta uudesta vertailututkimuksesta. Sandian kansallisten laboratorioiden tutkijoiden kehittämä malli, johon myös Quantinuum ja NVIDIA osallistuivat, tunnetaan nimellä QUOPS (Quantum Universal Operations Performance System).…

Anthropicin Claude-mallit kärkisijoille SWE-bench-koodaustesteissä

Anthropicin Claude-tekoälymallit hallitsevat SWE-bench-koodaustestin kaikkia merkittäviä versioita syyskuussa 2026. Claude Opus 5 saavutti 96 prosentin tuloksen SWE-bench Verified -testissä ja Claude Fable 5.1 sai 81,2 prosenttia vaativammassa SWE-bench Pro -testissä. Tulokset korostavat Anthropicin kasvavaa etumatkaa tekoälyavusteisessa ohjelmistosuunnittelussa, vaikka OpenAI:n ja…

GPT-6 Astra julkaistiin, mutta se jää riippumattomissa testeissä Anthropicin taakse

OpenAI aloitti GPT-6 Astran julkaisun 3. syyskuuta ja kutsui sitä "maailman älykkäimmäksi ja linjatuimmaksi malliksi", jonka ominaisuudet kattavat selauksen, koodauksen, kyberturvallisuuden ja tieteellisen päättelyn. Mutta päiviä myöhemmin julkaistut Artificial Analysisin riippumattomat vertailuarviot asettavat Astran yrityksen Intelligence Index -listalla toiseksi, Anthropicin…