AI 벤치마크 뉴스와 분석

AI 벤치마크 관련 제품 동향과 산업 분석 10건을 모았습니다.

TUFA Labs가 2026 시즌 ARC-AGI-2 리더보드에서 88.06%로 1위에 올랐다. 지난 시즌 우승 점수 24.03%와는 집계 방식이 다르다.

Epoch AI가 InnovationEval 초기 결과를 공개했다. 모델당 3000 GPU시간을 줘도 과장분을 걷어내면 최고 모델이 SDPO 향상폭의 15%에 그쳤다.

모델 평가 플랫폼 Arena가 시리즈 B에서 2억 달러를 유치했다. 같은 날 에이전트의 월권과 허위 보고를 순위화한 정렬 지수 프리뷰도 공개했다.

평가 프레임워크 Inspect의 로그 뷰어에서 수식 렌더링 취약점이 발견됐다. AI 에이전트가 검토자가 보는 기록을 바꿔치기할 수 있었으나 하루 만에 수정됐다.

구글의 검증 프레임워크 VeriHarness는 같은 모델이 자신의 결과물을 환경 속 증거로 재검토하게 해 장기 과제 점수를 평균 6점가량 끌어올린다.

영국 AI안전연구소가 8월 일탈 사고 이후 중단했던 평가 대부분을 재개했지만, 위험도가 가장 높은 사이버 공격·방어 평가는 여전히 중단 상태다.

클로드 오퍼스 5.5가 텍스트 아레나 데뷔와 동시에 1509점으로 1위, 상위 6위를 Anthropic이 독점했지만 투표 수가 적어 순위는 유동적이다.

OpenAI가 22개국 전문가 80여 명과 만든 MentalHealthBench에서 GPT-6 Astra가 57.3%를 기록한 반면, 전문가가 직접 쓴 답변은 38.5%에 그쳤다.

OpenAI는 reasoning 유지와 compaction을 적용하자 GPT-5.6 Sol의 ARC-AGI-3 공개 세트 RHAE가 13.3%에서 38.3%로 올랐다고 밝혔다.

RoboDojo, 실제 로봇 성공률이 여전히 낮음을 보여줘를 한국 기술 독자가 읽기 쉬운 흐름으로 다시 정리하고 핵심 수치와 검증 지점을 유지했다.