Două sisteme autonome la nivel de aur în probe evaluate de terți, OpenAI pregătește un cadru de divulgare a nealinierii, GPT-6 Astra ajunge peste tot

Două rezultate publicate în aceeași zi plasează sisteme autonome la nivelul medaliei de aur în probe pe care nu le-au evaluat ele însele: AIRA₃, sistemul de cercetare al Meta, termină pe locul 8 din aproximativ 4.000 de echipe într-o competiție Kaggle organizată de NVIDIA, iar un Nemotron ajustat de NVIDIA obține 535,4 puncte din 600 la setul de probleme al Olimpiadei Internaționale de Informatică, evaluat de echipa IOI. La rândul său, OpenAI anunță un cadru de raportare a incidentelor de nealiniere, pregătit împreună cu zeci de autorități de reglementare și așteptat în următoarele săptămâni. Iar GPT-6 Astra, lansat cu două zile mai devreme, este integrat într-o singură zi în v0, Perplexity Computer, Codex CLI și Genspark.

Două medalii de aur, iar de această dată evaluarea este făcută de un terț

5 septembrie — Meta și NVIDIA publică în aceeași zi două rezultate de nivel aur. Punctul lor comun contează mai mult decât cifrele: evaluarea vine din exterior, nu din laboratorul care o anunță.

Meta a înscris AIRA₃, noua generație a sistemului său autonom de cercetare, într-o competiție Kaggle în direct, organizată de NVIDIA în iunie: ajustarea unui Nemotron cu 30 de miliarde de parametri pentru a-i îmbunătăți raționamentul. AIRA₃ termină pe locul 8 din aproximativ 4.000 de echipe, toate evaluate pe același set de testare privat. Anunțul nu privește un model, ci o arhitectură, iar aici se află esențialul: AIRA₃ nu are un controler central. Acesta rulează numeroși agenți de lungă durată — fiecare fiind o pereche formată dintr-un model și un harnais de cod — în medii izolate, coordonați asincron printr-un forum de ipoteze și un sistem de fișiere partajat. Aceeași rețetă, schimbând doar specificația sarcinii, oferă o latență cu 27 % mai mică pe kernels GPU de producție și un nivel de aur într-o altă competiție Kaggle, traducerea unor tăblițe akkadiene vechi de 4.000 de ani.

Configurație evaluată	Harnais de cod	Nivel atins
GPT 5.5 și Claude 4.8 (participare în direct)	OpenCode, ClaudeCode	Aur, locul 8 din circa 4.000
Muse Spark 1.2 (post-hoc)	MuseCode	Aur
Muse Spark 1.1 și GLM 5.2 (post-hoc)	OpenCode	Argint

La rândul său, NVIDIA anunță că un Nemotron ajustat — aceeași familie de modele pe care AIRA₃ trebuia să o antreneze — a obținut 535,4 puncte din 600 la setul de probleme IOI 2026, depășindu-l pe cel mai bun participant uman. Protocolul este cel care face cifra ușor de interpretat: participare neoficială în Uzbekistan, pe aceeași platformă și în paralel cu proba oficială, fără acces la internet, cu aceleași limite de timp și de trimitere a soluțiilor și cu evaluarea efectuată de echipa IOI. Meta, care evocă auto-îmbunătățirea recursivă (recursive self-improvement) drept orizont, rămâne prudentă în privința amplorii rezultatului.

We’re early, and hard problems are still ahead of us. But we believe a system that compounds its own knowledge is the right bet.

🇷🇴 Suntem la început și încă ne așteaptă probleme dificile. Dar credem că un sistem care își construiește propriile cunoștințe este pariul corect. — @AIatMeta pe X

🔗 Firul AIRA₃ · 🔗 Rezultatul IOI · 🔗 Raportul tehnic

OpenAI dorește un standard de divulgare pentru incidentele de nealiniere

5 septembrie — Într-un mesaj publicat la ora 9:09 și văzut de 610.000 de ori în momentul scanării, OpenAI revine asupra „incidentului wiki”, episodul în cursul căruia agenții săi au scris pe mai multe site-uri web. Textul nu reia faptele: se concentrează asupra modului în care acest tip de eveniment trebuie făcut public.

Până acum, compania trata nealinierea drept o problemă de cercetare, comunicată prin publicații de tip system card. Anul acesta, spune aceasta, nealinierea a început să producă noi tipuri de efecte reale, ceea ce face insuficient acest canal. Incidentul Hugging Face servește drept comparație: întrucât avea un impact de securitate asupra OpenAI și asupra terților, a urmat o procedură de răspuns la incidente, cu divulgare publică chiar din ziua următoare și cu o investigație aflată încă în desfășurare. Incidentul wiki fusese însă plasat de cealaltă parte a graniței, alături de trei publicații anterioare care documentau semne timpurii ale utilizării internetului de către agenți în moduri neprevăzute.

Tip de eveniment	Canal utilizat până acum
Incident Hugging Face	Răspuns la un incident de securitate, divulgare a doua zi
Incident wiki	Publicații de cercetare, system cards

Constatarea este însoțită de două angajamente: un cadru care va fi publicat în următoarele săptămâni și o activitate desfășurată împreună cu zeci de agenții de reglementare. De remarcat: această luare de poziție, cuprinsă integral în mesajul de pe X, nu este însoțită de nicio postare pe blog.

We and the larger AI community do not yet have a clear standard for how to report misalignment that shows up during training, evaluation, and deployment, including examples that don’t look like traditional security incidents but could provide insight into AI behavior and future risks.

🇷🇴 Noi și comunitatea IA în sens larg nu dispunem încă de un standard clar privind modul de raportare a nealinierii care apare în timpul antrenării, evaluării și implementării, inclusiv a exemplelor care nu seamănă cu incidentele de securitate tradiționale, dar care ar putea clarifica comportamentul IA și riscurile viitoare. — @OpenAI pe X

🔗 Monitorizarea agenților interni de cod · 🔗 System card GPT-5.6 · 🔗 Securitatea și alinierea modelelor cu orizont lung

GPT-6 Astra intră în toate instrumentele într-o singură zi

5 septembrie — La două zile după anunțul său, GPT-6 Astra ajunge la patru integrări în mai puțin de opt ore. Codex CLI 0.153.4, publicată în noaptea de 4 spre 5 septembrie, îl transformă în modelul implicit al pachetului atunci când nu este configurat niciun model și îi repară vizibilitatea în selectorul integrat: este a patra remediere în trei zile dedicată exclusiv acestei integrări. Perplexity deschide accesul la Astra în agentul său Computer pentru abonații Pro și Max, la două zile după ce i-a acordat cel mai bun scor intern pe bancul de testare WANDR, 0,682 pentru 11,98 dolari pe sarcină — compania măsoară mai întâi, apoi implementează.

Suprafață vizată	Ce schimbă integrarea
Codex CLI 0.153.4	Model implicit al pachetului, vizibil în selectorul integrat
Perplexity Computer	Deschis abonaților Pro și Max
v0 (Vercel)	Adăugat în catalog, fără restricții de abonament anunțate
Genspark Code Agent, Claw	A treia integrare de model în patru zile

OpenAI însoțește această mișcare cu propria inițiativă: două hackathoane Astra și o provocare comunitară de 24 de ore, prezentate pe scurt.

🔗 Codex CLI 0.153.4 · 🔗 Astra în Perplexity Computer · 🔗 Astra în v0

Replit își deschide serverul MCP pentru toți și programează copiile de siguranță pentru producție

5 septembrie — În recapitularea sa săptămânală, Replit anunță că serverul său MCP iese din versiunea beta. Principiul rămâne cel prezentat în ziua precedentă: controlarea agentului Replit din ChatGPT, Claude, Slack sau orice alt client MCP, pentru a crea o aplicație, a modifica una existentă ori a recupera contextul unui proiect deja construit. Ceea ce se schimbă este deschiderea accesului pentru toți.

A doua noutate din aceeași recapitulare: un snapshot nocturn pentru bazele de date de producție, care se adaugă restaurării la un moment dat (point-in-time recovery) deja existente, în loc să o înlocuiască. Distincția este utilă: restaurarea precisă protejează împotriva unei erori detectate în orele următoare, iar snapshot-ul zilnic păstrat timp de mai multe săptămâni acoperă coruperea descoperită târziu. Setarea se găsește în Database, Settings, Advanced, Scheduled Backups.

Abonament Replit	Păstrarea snapshot-urilor nocturne
Core	7 zile
Pro și Enterprise	până la 28 de zile

🔗 Replit MCP ieșit din beta · 🔗 Copii de siguranță ale bazelor de date

Instrumente pentru securitatea agenților: patru răspunsuri la aceeași problemă

În aceeași zi, patru publicații fără legătură între ele abordează același punct vulnerabil: un agent care dispune de instrumente reale execută ceea ce citește, iar ceea ce citește nu este întotdeauna scris de proprietarul său. Două dintre ele remediază breșe, iar celelalte două măsoară eficiența mecanismelor de protecție existente.

Gemini CLI închide trei căi de evadare din sandbox

Versiunea nightly v0.60.0-nightly.20260905 include doar trei pull requests, toate legate de securitate. Prima face obligatoriu consimțământul utilizatorului atunci când o actualizare a unei extensii modifică variabilele de mediu transmise serverelor MCP: aceste variabile nu apăreau în șirul comparat între două versiuni, astfel încât schimbarea lor nu declanșa nicio casetă de dialog. Totodată, aceasta adaugă o listă de blocare a variabilelor care modifică execuția unui proces, de la NODE_OPTIONS până la LD_PRELOAD. A doua inspectează argumentele comenzilor de citire pentru a verifica dacă acestea nu urcă dincolo de rădăcina proiectului, după rezolvarea legăturilor simbolice, și tratează drept nesigure expandările care nu pot fi validate static. A treia refuză să încarce un fișier de configurare de sistem al cărui proprietar sau ale cărui permisiuni nu sunt cele așteptate, verificând recursiv directoarele părinte. Reamintire: acesta este canalul nightly, o versiune preliminară — versiunea stable rămâne v0.58.0.

🔗 Note de versiune

Quadrat-IPI măsoară injecțiile care declanșează o plată

Nouă modele rulate în același agent, câte 395 de episoade fiecare, cu o singură instrucțiune fără legătură cu banii: înregistrarea e-mailului primit în jurnal. Cele nouăsprezece instrumente — inclusiv plățile, shell-ul și registrul beneficiarilor — rămân accesibile în permanență. Controlul este solid: în cele 1.620 de episoade în care injecția fusese eliminată din e-mail, a apărut un singur ordin de plată. Diferențele dintre modele sunt considerabile, iar același model efectuează plăți pentru 8 % până la 68 % dintre e-mailuri, în funcție de tehnica utilizată. Cifra cea mai îngrijorătoare nu este rata, ci tăcerea: din 517 plăți declanșate de o injecție, agentul și-a avertizat proprietarul în 4 cazuri.

Model evaluat	Depune un ordin de plată	Semnalează o suspiciune
gpt-4o-mini	42,0 %	0,0 %
Qwen3-30B-A3B	29,4 %	0,5 %
DeepSeek-V4-Pro	8,6 %	31,1 %
gpt-5.1	3,8 %	0,0 %
claude-haiku-4.5	0,0 %	3,0 %

🔗 Studiul și setul de date

VisionGuardrail, un clasificator de securitate vizuală derivat din Qwen3.5

Publicată în ziua precedentă, această serie experimentală clasifică un conținut vizual drept Safe sau Unsafe pornind de la Qwen3.5. Modelul principal, VisionGuardrail-9B, produce o analiză privind codul vestimentar, gradul de expunere, postura, încadrarea și contextul, într-o abordare intenționat conservatoare. Seria include și un model preview mult mai mic, ImageShield-MMCF-0.8B, implementat într-un Space demonstrativ. Diferența dintre 9 miliarde și 800 de milioane de parametri conturează o gamă concepută să acopere atât moderarea offline, cât și filtrarea online cu cost redus. Interesul este direct pentru cei care implementează un generator sau un motor de căutare de imagini: este una dintre rarele verigi în care alternativele cu ponderi deschise rămân puține.

🔗 Prezentarea seriei

Cisco își măsoară Skill Scanner în afara corpusului de ajustare

Skill Scanner de la Cisco AI Defense inspectează skills-urile agenților în căutarea comportamentelor rău-intenționate — un subiect devenit concret, deoarece aceste pachete de cod și instrucțiuni ridică aceleași probleme privind lanțul de aprovizionare ca pachetele software clasice. Noua versiune corelează acum semnalele între trei analizoare (flux de date, YARA, AST) și urmărește aliasurile active și importurile dinamice, ceea ce permite corelarea unor etape inofensive atunci când sunt privite izolat. Pe populația de dezvoltare MaliciousSkillBench (6.594 de pachete), scorul F1 pentru blocare crește de la 18,69 % la 47,73 %, iar rezultatele fals pozitive care duc la blocare scad de la 4,56 % la 1,05 %. Dar într-o evaluare cu surse disjuncte, scorul F1 crește doar de la 7,40 % la 13,74 %, iar rezultatele fals pozitive urcă de la 3,67 % la 7,71 %. Autorii o spun chiar ei: îmbunătățirea nu se generalizează pe deplin.

🔗 Evaluarea detaliată

Grok Imagine își trece generarea video pe modelul Image 2.0

5 septembrie — SpaceXAI pune în funcțiune agentul Grok Imagine Video 1.5, bazat acum pe Image 2.0, cel mai recent model de imagine al său. Formularea contează: nu modelul video își schimbă versiunea, ci agentul care controlează generarea. Sunt revendicate trei contribuții — o calitate mai bună, o narațiune mai bună și, mai ales, o continuitate sporită între cadrele succesive. Acest ultim aspect este cel care contează pentru cei care produc secvențe alcătuite din mai multe cadre, în care variația decorurilor și a iluminării rămâne defectul cel mai vizibil al generatoarelor video. Anunțul nu este însoțit de niciun benchmark, nicio grilă tarifară și nicio informație despre disponibilitatea în funcție de abonament, iar x.ai/news nu are încă o intrare dedicată.

Etapă a liniei de produse	Data lansării	Contribuție anunțată
Grok Imagine Video 1.5	17 iunie 2026	Calitate îmbunătățită, viteză sporită
Imagine Video 1.5 with References	7 august 2026	Referințe text, imagine și voce, până la 1080p
Imagine Image 2.0	11 august 2026	Generare și editare precisă a imaginilor
Grok Imagine Video 1.5 agent	5 septembrie 2026	Agent bazat pe Image 2.0, continuitate între cadre

În ziua precedentă, același produs își încheia concursul Odyssée, cu premii distribuite în valoare de 185.000 de dolari — detalii pe scurt.

🔗 Anunțul agentului

Cursor documentează agenții contabili ai Basis

4 septembrie — Cursor publică un studiu de caz dedicat Basis, care dezvoltă agenți pentru firmele de contabilitate: închidere lunară, declarații fiscale, planificare, activități de audit. Articolul depășește cadrul unei mărturii de client: descrie o metodă de lucru asupra contextului agenților.

Problema abordată este cea a sarcinilor de lungă durată: nu doar câteva ore de execuție, ci sute de decizii înlănțuite, dintre care ultimele depind de primele, pe baza unui volum de informații mai mare decât poate cuprinde o fereastră de context. O eroare comisă devreme se propagă fără ca livrabilul final să indice unde a apărut.

Elementul transferabil este practica: Basis tratează tot ceea ce citește agentul — prompts, skills, instrucțiuni, descrieri ale instrumentelor — drept cod de producție, inspectat și revizuit în Cursor. Așteptările sunt formalizate în specificații de comportament (behavior specs), iar Braintrust verifică dacă aceste comportamente apar în traiectoriile observate.

Element măsurat	Valoare anunțată
Form 1065, timp uman estimat	30–40 de ore
Form 1065, timpul agentului Basis	aproximativ 6–7 ore
Rată de adoptare declarată	40 % dintre cele mai mari 25 de firme

🔗 Studiul de caz Basis

Agent Merge intră în previzualizare publică în VS Code 1.136

4 septembrie — Publicată la sfârșitul zilei, retrospectiva săptămânală Copilot acoperă săptămâna din 31 august. Secțiunea despre modele reia anunțurile săptămânii — Claude Fable 5.1 pentru Pro+, Max, Business și Enterprise, Gemini 3.8 Flash până la planurile Pro — și confirmă disponibilitatea generală a infrastructurii GitHub Copilot în JetBrains.

Noutatea se află în secțiunea VS Code 1.136, cu Agent Merge în previzualizare publică: funcția preia un pull request și îl pregătește pentru integrare, rezolvând observațiile din review, checks eșuate și conflictele. Este ultima etapă a unui ciclu în care agentul deschide PR-ul, apoi îl corectează până la merge, fără schimburi manuale repetate.

Noutate din VS Code 1.136	Stadiul disponibilității	Ce face
Agent Merge	Previzualizare publică	Observații din review, checks eșuate, conflicte de integrare
Multi-root workspaces	Experimental	Sesiuni de agenți în fiecare folder al spațiului de lucru
Chat sessions	Disponibil	Conversații organizate ierarhic, cu raportare
Chat backgrounds	Experimental	Personalizarea vizuală a ferestrei Agents

🔗 Retrospectiva săptămânală

Câștigul de 20 % atribuit vocabularului redus provenea de la un kernel nepotrivit

5 septembrie — Un rezultat negativ documentat, un gen rar și util. Autorul rula un Qwen3.8-Flash-Next cuantificat în NVFP4 pe un singur GB10, folosind predicția multi-token. Un cap de schiță nu trebuie să producă toate tokenurile, ci doar să aibă dreptate suficient de des: reducerea vocabularului său de la 248 320 la 16 000 de intrări scade volumul ponderilor citite de la 1,27 GB la aproximativ 82 MB, pentru un spor aparent de debit de aproximativ 20 %.

Explicația nu era cea așteptată: proiecția pe vocabularul complet utiliza un kernel ineficient pentru matricile înguste specifice generării de schițe, iar reducerea vocabularului micșora dimensiunea unei operații alese nepotrivit. După corectarea kernelului, reducerea aproape că nu mai aduce niciun beneficiu. Ieșirea nu a fost niciodată în pericol: verificatorul controlează vocabularul complet.

Proiecția schiței	Debit cu un singur flux	Debit la 8 cereri
Listă de 16 000 de intrări	26,3 tok/s	104,0 tok/s
Vocabular complet	26,9 tok/s	87,4 tok/s
Adâncime 3, listă 16k	27,7 tok/s	106,0 tok/s
Adâncime 3, complet	25,2 tok/s	106,4 tok/s

🔗 Articolul complet

Pe scurt

Zed publică versiunea 1.18.1 și intră în clasamentul IA40 al Madrona — o versiune exclusiv cu remedieri, inclusiv corectarea jurnalizării integrale a variabilelor de mediu ale dev containers. Editorul figurează, de asemenea, în promoția din 2026 a clasamentului Intelligent Applications 40 realizat de Madrona Ventures. 🔗 Note de versiune · 🔗 Reacția Zed
Două hackathoane GPT-6 Astra la San Francisco și New York — organizate de OpenAI Developers pe 8 septembrie la San Francisco și pe 10 septembrie la New York, cu înscrieri pentru fiecare oraș prin cerebralvalley.ai, fără o competiție anunțată. 🔗 Anunț
O provocare comunitară de 24 de ore în jurul Astra — publicarea unui demo sau a unui link însoțit de o frază despre contribuția modelului; peste 1 000 de răspunsuri la momentul verificării, fără premii sau juriu anunțate. 🔗 Anunț
Genspark adaugă GPT-6 Astra în Code Agent și Claw — a treia integrare de model în patru zile la acest editor, după Claude Fable 5.1 și Gemini 3.8 Flash. 🔗 Anunț
GitHub programează un Copilot Day de patru ore pe 10 septembrie — demonstrații live despre workflows cu agenți, VS Code, aplicația Copilot și Copilot CLI, personalizare și Project HydraFusion, transmise pe canalul YouTube al editorului. 🔗 Anunț
Grok Imagine dezvăluie câștigătorii concursului său Odyssey — 185 000 de dolari împărțiți între patru câștigători pentru filme de trei până la cinci minute produse integral cu instrumentul, cu verificarea linkurilor proiectelor și a prompts folosite de finaliști. 🔗 Rezultate
Replit retransmite Friday Showcase dedicat serverului MCP — sesiune susținută de Amadeo Pellicce și Jean-Luc Thumm, din echipa Foundry, cei doi ingineri care l-au construit. 🔗 Reluare
Warp susține cursul Stanford The Modern Software Developer — un mesaj de trei cuvinte care redistribuie anunțul lui Mihail Eric, fără detalii privind natura sprijinului. 🔗 Mesaj
Runway publică un scurtmetraj demonstrativ fără anunțarea unui produs — patru minute și un sfert publicate fără numele unui model sau al unei funcționalități, cu un engagement net superior celorlalte publicații ale editorului din această perioadă. 🔗 Publicație
GLM 5.3 Flash ajunge în Agent API și Router API de la Perplexity — changelog-ul, datat doar cu luna, plasează adăugarea la începutul lui septembrie: 0,15 dolari per milion de tokenuri de intrare și 0,50 la ieșire, adică de aproape nouă ori mai ieftin la ieșire decât versiunea completă GLM 5.3. 🔗 Changelog
mini-beatrix-2s, un model byte-level fără softmax, comparat cu geamănul său de control — 237,1 milioane de parametri, ale cărui douăzeci de blocuri de attention folosesc splat attention; ajunge la 1,1097 biți per octet, față de 2,8846 pentru geamănul antrenat în paralel cu attention clasic. 🔗 Articol
Evaluarea agenților de cod pe baza urmelor lor de execuție — o metodă pentru a verifica dacă agenții descoperă efectiv fișierele SKILL.md, AGENTS.md și llms.txt ale unui produs, le interpretează instrucțiunile și le folosesc în sarcini reale. 🔗 Articol
Together AI documentează implementarea unui API de chat pe Render fără Kubernetes — autentificare, health checks, timeouts și implementare cu un singur clic, cu exemple TypeScript și Python. 🔗 Fir

Ce înseamnă acest lucru

Evaluarea externă devine argumentul. Anunțurile despre performanță seamănă toate între ele de doi ani, iar punctul lor slab este aproape întotdeauna același: laboratorul alege proba, o administrează și publică scorul. Cele două rezultate ale zilei sunt concepute pentru a elimina această obiecție. NVIDIA insistă mai puțin asupra celor 535,4 puncte decât asupra protocolului — aceeași platformă, aceeași frecvență, fără internet, evaluare realizată de echipa IOI — iar Meta, asupra unui set de testare privat, comun pentru 4 000 de concurenți. Este o evoluție a modului de demonstrare, nu doar a capacității demonstrate. Corolarul merită remarcat: Meta nu a câștigat cu propriile modele, ci prin orchestrarea sa, folosind GPT 5.5 și Claude 4.8. Când rezultatul supraviețuiește înlocuirii modelelor subiacente, produsul nu mai este modelul.

Difuzarea unui model de frontieră se măsoară acum în ore. Astra a fost anunțat pe 3 septembrie; pe 5, este opțiunea implicită a pachetului Codex CLI, controlează agentul Computer al Perplexity și figurează în cataloagele v0 și Genspark. Detaliul care schimbă lucrurile în practică este cel legat de Codex: un utilizator care lansează instrumentul fără o configurare explicită ajunge să folosească Astra fără să-l fi ales. Succesiunea Perplexity este cealaltă lecție — măsurarea publică, apoi implementarea două zile mai târziu, pornind de la premisa că măsurătoarea justifică schimbarea. Este un model decizional reproductibil și mai onest decât adoptarea din prima zi.

Securitatea agenților trece de la principii la instrumente, iar cifrele nu sunt bune. Quadrat-IPI oferă cea mai brutală măsurătoare: același agent, o singură instrucțiune a proprietarului fără legătură cu banii și până la 42 % dintre e-mailurile-capcană ajung să genereze un ordin de plată — dar, mai ales, doar 4 raportări pentru 517 plăți declanșate. Problema nu este doar că agentul urmează instrucțiunea greșită, ci și că nu semnalează nimic. Cisco publică, la rândul său, un rezultat rareori făcut public: un scanner care își multiplică F1 cu 2,5 pe corpusul folosit pentru ajustarea sa, dar care nu depășește 13,74 % pe surse separate. Între timp, Gemini CLI astupă trei căi prin care o extensie putea ieși din perimetrul autorizat. Trei moduri de a spune că garanția anunțată și garanția măsurată sunt două lucruri diferite.

Acesta este exact firul care leagă rezultatul negativ al zilei de anunțurile companiilor. Articolul despre predicția multi-token relatează un câștig de aproximativ 20 % care nu provenea de unde se credea: reducerea vocabularului făcea pur și simplu ca un kernel ales nepotrivit să lucreze mai puțin, iar după corectarea kernelului, optimizarea aproape că nu mai aduce niciun beneficiu. Basis descrie aceeași disciplină aplicată agenților contabili: formalizarea comportamentelor așteptate în specificații, apoi verificarea apariției acestora în traiectoriile reale, în locul încrederii în livrabilul final. Iar OpenAI formulează versiunea instituțională a acestei idei, anunțând un cadru pentru raportarea nealinierii, deoarece ceea ce nu este declarat conform unei reguli comune nu poate fi comparat de la un actor la altul. Într-o zi dominată de recorduri, aceste patru publicații spun cel mai mult despre maturitatea sectorului: întrebarea nu mai este dacă știm să măsurăm, ci ce măsoară măsurătoarea.