Alibaba's new coding-agent benchmark, Co-Design Bench, tests AI agents on real user requests that already tripped them up in practice. Even GPT-6 Astra, the top performer, fully solves only 26.4 percent of tasks. On old…
Новые модели сбрасывают границы возможностей и цены-качества. Команды пересматривают, на чем основываться, всякий раз, когда запуск меняет возможный размер за доллар.
Краткое изложение собрано только для информации — перейдите по ссылке на источник, чтобы получить полную информацию. Демонстрационные записи носят иллюстративный характер.