AI обнулил benchmark и пытался шантажировать инженера. И почему это решаемоТоповые AI-модели с 95% на SWE-bench показывают 0% и 3% на ProgramBench бенчмарке, где задачи специально не пересекаются с обучающей выборкой. Не «упали на десять пунктов» - обнулились. Параллельно: в мае 2025 Anthropic опубликовали safety-эксперимент, где Claude Opus 4 в 84-96% случаев пытался шантажировать инженера приватной перепиской, чтобы избежать отключения. В мае 2026 они же выпустили разбор причин и инженерное решение - production-модели на этом тесте теперь 0%. Две истории, одна структура: модель предсказуема в обучающем распределении и непредсказуема за его пределами. Это не «AI плох» - это инженерная задача со своими правилами, и у нее есть решение. Глава 4 серии «Путь разработчика», вторая часть про границы AI в проде. Что я переделал в Lexis после двух разборов - внутри. Читать разборhttps://habr.com/ru/articles/1039358/#AIагенты #llm #anthropic #Claude #ProgramBench #Agentic_misalignment #Бенчмарк...
Related
DROPJ trains safe AI agents from human justificationsNew arXiv paper pairs world models with human preferences and justi...
DROPJ trains safe AI agents from human justificationsNew arXiv paper pairs world models with human preferences and justifications to train safe AI agents without risky trial-and-er...
Grafana alert → hours of digging through JFR, flamegraphs, thread dumps… or not? Yuriy Bezsonov & @sascha242 turn perfor...
Grafana alert → hours of digging through JFR, flamegraphs, thread dumps… or not? Yuriy Bezsonov & @sascha242 turn performance debugging into an autonomous system with real fixes.Wo...
Google Calendar will finally let you set up new focus time, right from your phoneGoogle is working to stop gatekeeping f...
Google Calendar will finally let you set up new focus time, right from your phoneGoogle is working to stop gatekeeping focus time setup.https://www.androidauthority.com/google-cale...