AlphaGenome Atlas samler AI-forudsigelser for cirka ni milliarder mulige enkeltbogstavsændringer i menneskets arvemasse. Du får overblik over AVI-scoren, forskningsanvendelser, dokumenterede resultater og grænsen mellem variantprioritering, laboratoriebevis og klinisk vurdering samt betydningen af genetiske data under GDPR.
AI-agenter kan udvikle sikkerhedstræning, der mindsker bestemte fejl hos andre modeller, men bedre testresultater dokumenterer ikke fejlfri drift. Anthropics forskning viser både mulighederne i automatiseret alignment og behovet for at kontrollere tab af færdigheder, agenternes egne regelbrud og kvaliteten på arbejdspladsens konkrete opgaver.
WeatherNext Cyclones gav i publicerede test mindst ét døgns gennemsnitlig prognosefordel for tropiske cykloners bane, styrke og vindudbredelse. Modellen viser, hvordan store AI-ensembler kan støtte meteorologer, men også hvorfor lokal validering, myndighedsvarsler og menneskelig beslutningskontrol fortsat er nødvendige.
OpenAI oplyser, at den interne Astra-model har skabt argumenterne bag ti nye matematiske resultater, som derefter er formaliseret i Lean. Resultaterne viser forskellen mellem AI-genereret opdagelse, maskinkontrollerede beviser og fagfællebedømmelse samt de praktiske kontrolbehov i forskning, uddannelse og organisationer.
ARC-AGI-3 viser, at hukommelse og kontekthåndtering kan ændre en AI-agents målte resultat uden at ændre selve modellen. Forskellen mellem et fælles benchmark-harness og en produktionsnær opsætning forklarer, hvorfor organisationer bør teste hele AI-systemet og dokumentere både kvalitet, ressourceforbrug og begrænsninger.
Claude kan udtrykke forskellige værdiprofiler på tværs af modeller og sprog, viser Anthropics analyse. Her får læseren overblik over målemetoden, de fire værdiakser og den praktiske betydning for sproglig kvalitet, AI-evaluering og kontrolleret brug i organisationer.
SWE-bench Verified bruges til at måle, hvor godt AI-modeller løser softwarefejl, men OpenAI vurderer nu, at benchmarken er blevet for upræcis til frontier-sammenligninger. Du får overblik over, hvorfor testkvalitet, træningskontaminering og lokale kontrolkrav betyder mere end en enkelt topscore.
Claude J-space gør skjulte mellemtrin i en sprogmodel mere synlige, uden at bevise menneskelig bevidsthed. Fokus er Jacobian lens, interne repræsentationer, sikkerhedstest og de praktiske forbehold, som organisationer i Danmark bør have med, når avancerede AI-modeller bruges i følsomme arbejdsgange.
OpenAI offentliggjorde den 17. juni 2026 benchmarken LifeSciBench som en ny måde at måle, hvor godt AI-systemer klarer realistiske arbejdsopgaver i biologi og lægemiddelforskning. I stedet for korte quizspørgsmål måler benchmarken, om en model kan læse dokumenter, tolke figurer, håndtere usikkerhed og formulere svar, som en erfaren forsker faktisk kan bruge i et arbejdsforløb. Det … Læs mere
Anthropic har offentliggjort de første resultater fra undersøgelsen Public Record, som måler, hvordan amerikanere ser på kunstig intelligens. Historien er interessant, fordi den ikke handler om en ny model eller en ny app, men om hvilke forventninger og bekymringer der samler sig omkring AI, efterhånden som teknologien bliver en del af arbejde, undervisning og hverdagsopgaver. … Læs mere