Крупная модель ИИ только что резко поднялась в рейтингах, установив новые рекорды по нескольким важным оценочным метрикам.

Последний релиз показывает отличные результаты на академических тестах: 88,2% на GPQA Diamond (вопросах по науке уровня магистратуры), 94,5% на AIME 2025 (элитном математическом соревновании среди старших классов) и впечатляющие 96,7% на математических задачах Гарварда и MIT. Также он набрал 61,9% на USAMO25, одном из самых сложных математических соревнований на основе доказательств.

Но вот в чем дело – балл ARC-AGI-2 составил 44.4%, что почти в два раза больше, чем у модели, занявшей второе место. Это колоссальная разница в способностях к рассуждению.

Этот скачок в производительности говорит о том, что мы наблюдаем реальные успехи в абстрактном мышлении и решении сложных задач, а не только в распознавании шаблонов. Особенно примечательны оценки по математике и логике, учитывая, что эти критерии устойчивы к улучшениям.

Стоит посмотреть, как это повлияет на более широкую гонку ИИ и что это означает для применения в исследованиях, программировании и аналитических задачах.