🧠 Две настройки утроили результат GPT-5.6 Sol на ARC-AGI-3

С официальным тестовым окружением модель набрала 13,3%. После включения двух функций Responses API результат вырос до 38,3%, а расход выходных токенов сократился примерно в 6 раз.

Средний результат человека на тех же публичных заданиях OpenAI оценивает в 48%.

Что изменили:

1. Сохранили рассуждения между действиями

Раньше после каждого хода агент терял найденные закономерности и фактически заново разбирался в игре.

2. Заменили обрезание истории на compaction

Вместо удаления старых действий длинный контекст сжимался, сохраняя важные наблюдения и выбранную стратегию.

В результате агент:

- быстрее принимал решения;
- реже повторял уже проделанную работу;
- лучше учился по ходу игры;
- тратил значительно меньше токенов.

Итоговый результат зависит не только от модели. Большую роль играют API, управление контекстом, промпт и устройство тестового harness.

OpenAI рекомендует использовать Responses API, сохранять рассуждения между вызовами и включать compaction для длинных сессий.

https://openai.com/index/how-two-settings-tripled-our-arc-agi-3-scores/

#OpenAI #GPT56 #Agents #ARCAGI #LLM #AIEngineering

⚡️ Thinking Machines Lab Миры Мурати выпустила Inkling-Small - открытую MoE-модель на 276 млрд параметров, которая активирует лишь 12 млрд на токен.

И эта «младшая» версия обошла Inkling с 41 млрд активных параметров:

— Terminal-Bench 2.1: 64,7% против 63,8%;
— HLE: 31,6% против 29,7%;
— SWE-Bench Verified: 80,2% против 77,6%.

Результат получили после on-policy-дистилляции от старшей модели и ещё двух недель RL на агентном программировании.

Inkling-Small поддерживает изображения и аудио, контекст до 1 млн токенов и регулируемую глубину рассуждений. Веса опубликованы полностью.

Похоже, у разработчиков мультимодальных агентов появился крайне эффективный открытый фундамент.

https://thinkingmachines.ai/news/inkling-small/

🤯 OpenAI заявила о десяти прорывах в задачах, которые математики не могли решить десятилетиями

Результаты получила внутренняя версия Astra - следующей крупной модели компании.

Среди достижений:

— построен первый явный пример не-софической группы (особого типа абстрактной алгебраической структуры, которую раньше удавалось описывать только косвенно);
— опровергнута гипотеза жёсткости Конна (долгосрочное предположение в функциональном анализе о том, насколько строго определяются такие математические объекты);
— доказана квантовая теорема о параллельном повторении для общих двухигровых систем (показывает, как быстро падают шансы на успех при многократном повторении квантовых игр);
— доказана гипотеза Эрхарта об объёме (результат из геометрии, связанный с подсчётом точек в многомерных фигурах и их объёмами);
— впервые с 1978 года улучшена общая верхняя оценка плотности упаковки сфер (то есть насколько плотно можно «уложить» шары в пространстве).

По заявлению OpenAI, Astra самостоятельно нашла основные математические аргументы, а затем формализовала каждое доказательство в Lean. Вместе с машинно проверяемыми сертификатами опубликована рукопись на 249 страниц.

Успешные запуски обошлись бы примерно в $2000 по тарифам Sol API.

одели начинают предлагать новые доказательства для открытых задач - хотя теперь результаты должен внимательно проверить весь математический мир.

Astra ещё не выпущена, и OpenAI не называет её GPT-6.

openai.com/index/ten-advances-in-mathematics/