GPT‑5.1 Codex достигает 70.4% на SWE‑Bench – примерно в 26 раз дешевле

Несколько скриншотов показывают ярлык «Gemini 3.0 Pro» в выборе модели агента Gemini Enterprise, хотя доступ для обычных пользователей остается заблокированным обзор наблюдений. Строки Devtools совпадают с опцией модели, привязанной к production‑bound model option, что укрепляет версию о том, что финальная проводка уже идёт Devtools строки, с записями, документирующими повторяющиеся появления в разных билдах пост TestingCatalog.

Для владельцев AI‑платформ это самый явный признак уровня enterprise: начинайте проектировать маршрутизацию и резервные варианты, чтобы можно было проводить A/B 3.0 Pro против ваших текущих настроек с самого первого дня.

Генеральный директор Google усилил влияние контракта Polymarket, показывающего 69% вероятность того, что Gemini 3.0 выйдет к 22 ноября, что сообщество трактует как явный сигнал ожидать скорый запуск CEO hint. Разделный обзор повторяет ту же трактовку, представляя пост Сундара как мягкое подтверждение сроков market odds.

И что дальше? Руководители и PMs могут подготовить песочницы для оценки и планировать коммуникации по развёртыванию прямо сейчас, особенно если вы планируете объявления на или сразу после недели AIE Code.

«Riftrunner» идентификатор модели продолжает появляться в зонах дизайна и в консоли разработчика, тестировщики описывают его как более крупный, более мощный вариант, который соответствует ожидаемому поведению Gemini 3.0 Pro devtools console) и опережает сверстников в сравнении рендеринга SVG в тестах создателей svg comparison,) в продолжение к Riftrunner ранних строк и аренных зондов.

Если запустите eval-хранилища, добавьте запасной канал для Riftrunner, чтобы вы могли вставить идентификатор модели в момент, когда он станет доступен для маршрутизации.

Несколько популярных аккаунтов утверждают, что Gemini 3 выйдет на следующей неделе, и один связывает раскрытие с мероприятием AI Engineer Code, на котором Google дебютировала на сцене ранее timing claim. Посты сужают сроки до начала недели, даже “вероятно во вторник,” подчеркивая срочность расписания next week call tuesday hint, в то время как более широкие ветки наблюдений продолжают подогревать отсчет speculation post.\n\nПрактический ход: выстраивать промпты бок о бок и настройку трафика таким образом, чтобы переключение части пользовательских потоков на 3.0 занимало минуты, а не дни.

Создатели сообщают о значительных результатах от «Nano‑Banana 2», отмечая более реалистичные изображения, лучшую отрисовку текста и точные отражения — что указывает на переработанную стековую структуру изображений Google, которая могла бы выйти вместе с Gemini 3 creator take.)
ОTHERS явно сочетают упоминания Nano‑Banana 2 с обсуждением сроков выпуска Gemini 3 paired mention,) с большим количеством циркулирующих дампов вывода outputs thread) и сторонние рабочие процессы уже подключают «nano banana» как настраиваемый узел workflow example.)

)

Если ваш продукт опирается на генеративные визуальные материалы, заложите время на повторную съемку руководств по стилю и обновление фильтров безопасности — распределение выходных данных может измениться.

OpenAI’s GPT‑5.1 Codex возглавляет SWE‑Bench с точностью 70.4% против Claude Sonnet 4.5 (Thinking) на 69.8%, при стоимости ~$0.31 за тест против ~$8.26 (~26× дешевле) benchmarks table. Продолжая тему launch-top5, где появились новые таблицы лидеров по коду, этот прогон подтверждает Codex 5.1 как лучший выбор по соотношению цена‑качество для исправления ошибок на уровне репозитория, с задержками, приведенными рядом с изменениями стоимости SWE‑Bench note, и открытая доска теперь отражается на страницах Vals AI benchmarks page.

Vals AI сообщает, что GPT‑5.1 устанавливает новый уровень в своем Finance Agent Benchmark, обогнав Claude Sonnet 4.5 (Thinking) на 0.6% по завершению целей, с дополнительными выигрышами на LiveCodeBench (переместились с 12‑го на 2‑е место) и небольшими улучшениями на MMMU/GPQA/IOI пост о финансовом бенчмарке, детали последующего обсуждения. Для команд, прототипирующих агентские финтех‑рабочие процессы, это сужает верхний уровень до 5.1 против Sonnet 4.5, и указывает на то, что маршрутизация по поведению использования инструментов и стоимость могут играть большую роль, чем небольшие заголовочные разрывы.

Последний прогон Artificial Analysis дает GPT‑5.1 оценку 70, на +2 выше GPT‑5 при аналогичных усилиях по рассуждению, во многом благодаря улучшениям TerminalBench; также использовано 81 млн выходных токенов против 85 млн для GPT‑5, что снизило стоимость прогона примерно с ~$913 до ~$859 обзор индекса. Динамическая панель в реальном времени разбивает по‑оценочные дельты и компромиссы по стоимости/задержке, полезные для маршрутизации и бюджета сайт анализа.\n\n\n)

Bridgewater’s AIA Forecaster объединяет агентский поиск по высококачественным новостям, супервайзера, который согласует разнородные прогнозы, и калибровку (например, Platt scaling), чтобы соответствовать точности суперпрогнозиста на ForecastBench, обходя прежние базы LLM; на наборе ликвидных рынков рынки всё ещё лидируют, но ансамбли с моделью улучшают точность paper abstract. Для операций это аргумент в пользу управляемых многогентных пайплайнов вместо одиночных суждений.

BEAM представляет ультра‑длинные оценки диалогов до 10M токенов и демонстрирует LIGHT — гибрид эпизодического извлечения, рабочей памяти и scratchpad — который последовательно превосходит зависимость от огромных окон контекста в одиночку, с отмеченными в среднем приростами по моделям и явным снижением эффективности долгcontext‑моделей по мере роста длины paper abstract. Для агентов, которым необходимо сохранять состояние на протяжении нескольких дней, это отдаёт предпочтение явным стекам памяти перед большими окнами.)

Модель вознаграждения за краткость, которая предоставляет бонусы за краткость только тогда, когда финальные ответы верны, предотвращает сокращение длины/обучения, достигая точности на +8.1% при примерно на 19.9% меньшем количестве токенов на базе 7B для задач по математике; бонус затухает по мере обучения и масштабируется по сложности paper abstract. Это практический рецепт снижения затрат на вывод в рассуждающих агентах без ущерба для качества.

Новый рейтинг SWE/ML оптимизации с человеческой базовой линией показывает, что эксперты-человеки достигают ускорения 1.00×, в то время как топовые системы на базе LLM достигают ≤0.15× на задачах ML/HPC, что подразумевает, что текущие агенты замедляют практиков для настройки производительности, несмотря на сильные баллы по кодированию в других местах leaderboard post. Используйте это как сигнал маршрутизации: сохраняйте участие человека на низовом уровне оптимизации и резервируйте агентов для скелетной работы, поиска и glue-кода.

DeReC (Dense Retrieval Classification) заменяет конвейеры LLM, генерирующие обоснования, на плотный поиск доказательств и классификатор, что приводит к улучшению RAWFC F1 до 65.58% (с 61.20%), при этом время выполнения сокращается примерно на 95% (454м → 23м). Аналогичные ускорения наблюдаются на LIAR‑RAW paper abstract. Если вам нужны масштабируемые проверки правдивости, retrieval+classifier — прочная базовая линия перед разворачиванием дорогостоящей генерации.

Новый рубрикаторный бенчмарк и подход на основе обучения с подкреплением к выполнению инструкций выпущены, обеспечивая повторяемый способ оценки выходов агентов и обучения к соблюдению рубрики — полезно там, где субъективное соблюдение спецификаций имеет значение (например, тональность, структура) paper thread. Ожидайте больше оценок агентов, чтобы стандартизировать оценку по рубрикам с проверяемыми критериями.