OpenAI predstavlja BioBasicsBench: 100 zadataka koji mjere koliko uspješno AI agenti tumače sirove eksperimentalne podatke i obavljaju svakodnevni laboratorijski rad.

OpenAI je razvio autonomni proces koji je otkrio i potvrdio 948 ranjivosti za lokalno podizanje privilegija u jezgru Linuxa te generirao zakrpe za njih.

Images 2.6 donosi brže generiranje slike, kreiranje GIF-ova, preciznije uređivanje i nove API kontrole u alatima ChatGPT i Codex te u API-ju.

Otkrijte kako ChatGPT i Codex pomažu inženjerima da ubrzaju CAD, projektovanje štampanih ploča, simulacije i druge radne procese u fizičkom svijetu.

Predstavljamo LifeVal, test koji mjeri koliko AI pomaže u svakodnevnim zadacima, od pronalaženja usluga čuvanja djece do upravljanja finansijama i administrativnim obavezama.

OpenAI višeslojnim nadzorom otkriva neusklađenost graničnih modela i neovlašteno ponašanje agenata kako bi timovi intervenirali prije eskalacije incidenata.

Delivering fast and capable computer use at scale

OpenAI dijeli rezultate modela o Kakeyinoj pretpostavci, hipotezi eksponencijalnog vremena i kvantnoj hromodinamici te načine njihove provjere i daljnjeg razvoja.

We’re introducing GPT-6.1 Terra, the latest model in the GPT-6 series. GPT-6.1 Terra is a fast, efficient model for high-volume professional work, with strong image analysis and computer use capabilities. This system card addendum provides updates on the baseline safety metrics and evaluation results for GPT-6.1 Terra.