Alibaba vypustila největší model své historie a slibuje uvolnit váhy. Spočítali jsme, kolik benchmarků skutečně vyhrává — a přidali vlastní měření Qwenu z 639 běhů.

Tým Qwen představil AgentWorld — nativní jazykový světový model, který od začátku trénuje simulaci sedmi prostředí včetně terminálu, webu a Androidu. Na novém benchmarku překonává GPT-5.4 i Claude Opus 4.8.