Kimi K3, Opus 5, Grok 4.6, Qwen 3.8 27B, GPT 5.6 SOL: Menciptakan Kembali Hantu Tsushima

Fede(URU) 🇺🇾Sep 71

Keygraph telah menguji model Shannon 3.0 barunya terhadap Photoview 2.4.0, build yang sama yang digunakan Doyensec untuk menguji Aikido dan XBOW.

Dalam pengujian, ketiga konfigurasi model menangkap injeksi SQL pra-autentikasi penting yang kemudian ditambal oleh Photoview. Dalam pengujian mereka, DeepSeek v4 Flash masuk

🚨 AI News | TestingCatalogSep 722

Anthropic membangun serah terima ke dalam produk.

Balikkan satu tanda API dan apa pun yang ditolak oleh Fable 5.1 akan diberikan kepada Claude yang lebih murah, dengan kredit sehingga Anda tidak membayar dua kali. Nilai hand-off tersebut sebagai kegagalan dan Terminal-Bench turun dari sekitar 85 menjadi 79, di bawah Opus 5 dengan setengah harga.

Edward RoskeSep 7

Tolok ukur mulai tidak terlalu penting.

GPT-6 Astra mencapai 99,9% di ARC-AGI-3 dan 98% di FrontierMath Tier 4. Claude Opus 5 adalah SOTA di Frontier-Bench dan GDPval-AA, sekaligus mendominasi AutomationBench. Namun biaya Astra 2× lebih mahal per token keluaran: Output $50/M vs $25/M untuk Opus.

noclipepeSep 77