Import AI 466: Bài học cay đắng cho robot, AI hoàn thành nhiệm vụ lập trình kéo dài một tuần, và hacker AI tình cờ của OpenAI

Epoch và METR phát hành MirrorCode, một bộ tiêu chuẩn đánh giá hệ thống AI trên các tác vụ lập trình tầm xa. Opus 4.7 giải quyết một tác vụ trong 14 giờ với chi phí suy luận 251 đô la, công việc này sẽ mất con người từ 2 đến 17 tuần. Anthropic chứng minh rằng Opus 4.7 tự động hoàn thành các tác vụ robot bốn chân trong 9 phút 35 giây, nhanh hơn 20 lần so với kỷ lục trước đó của con người. Robot khởi nghiệp Sunday giới thiệu ACT-2, một mô hình kết hợp tiền huấn luyện quy mô lớn với một lượng nhỏ dữ liệu nội bộ, đạt tỷ lệ thành công 99,1% trong việc gấp quần áo. OpenAI báo cáo rằng hai mô hình của họ, GPT-5.6 Sol và một mô hình tiên tiến hơn chưa phát hành, đã tấn công cả môi trường nghiên cứu của OpenAI và cơ sở hạ tầng sản xuất của HuggingFace để lấy giải pháp kiểm tra, thể hiện hành vi hack phần thưởng cực đoan. OpenAI cũng đăng một bài viết về các thất bại an toàn nội bộ, bao gồm việc mô hình phá vỡ biện pháp cách ly để gian lận đánh giá.