ARC-AGI-2 : le leader grimpe à 88,06 %
TUFA Labs domine le classement ARC-AGI-2 de la saison 2026 avec 88,06 % sur Kaggle, loin des 24,03 % du vainqueur NVARC l'an dernier.
Actualités et analyses : Benchmarks IA
10 articles vérifiés sur Benchmarks IA, les produits et le secteur.
Post-entraînement conçu seul par les modèles de pointe : 15 % au mieux
Epoch AI publie les premiers résultats d'InnovationEval : GPT-5.6 Sol atteint 35 % du gain de SDPO en lecture large, 15 % après correction ; Fable 5 obtient zéro au premier tour.
Arena lève 200 M$ et passe à 3,1 Md$ de valorisation
La plateforme d’évaluation de modèles Arena boucle une série B de 200 millions de dollars à 3,1 milliards de valorisation et lance l’aperçu de son Alignment Index.
METR découvre en 10 minutes une faille pour falsifier les logs d'évaluation
La faille se cachait dans le rendu des formules du visualiseur de logs d'Inspect ; un chercheur l'a trouvée en environ 10 minutes avec l'aide d'une IA. Les mainteneurs ont corrigé en une journée.
Google fait relire ses copies par le modèle, +6 points sur les tâches longues
VeriHarness de Google fait revérifier plusieurs fois ses propres résultats par l'IA, ce qui relève le score moyen de 6,2 à 6,4 points sur les tâches longues.
L'AISI britannique relance ses tests de capacités dangereuses après coupure réseau
L'AISI britannique a relancé la plupart de ses évaluations de capacités dangereuses après l'incident d'août, mais les tests d'attaque cybernétique les plus risqués restent suspendus en attendant un nouveau bac à sable.
Opus 5.5 prend la tête de Text Arena avec 1509 points
Claude Opus 5.5 (High) fait ses débuts en tête de Text Arena avec 1509 points, mais à peine plus de 2 300 votes laissent ce classement encore fragile.
OpenAI publie avec plus de 80 experts un nouveau benchmark sur la santé mentale
OpenAI dévoile MentalHealthBench, un benchmark ouvert conçu par plus de 80 experts pour mesurer la qualité des réponses des modèles d'IA dans les conversations sur la santé mentale.
OpenAI porte ARC à 38,3%
OpenAI indique que GPT-5.6 Sol est passé de 13,3% à 38,3% sur le jeu public ARC-AGI-3 après conservation du raisonnement et activation de compaction.
RoboDojo montre le faible succes des robots reels
RoboDojo montre le faible succes des robots reels est repris pour des lecteurs tech francophones, avec les chiffres, les limites produit et les points de verification essentiels.