64 artykuły z tym tagiem
Navalia to framework łączący weryfikowalną syntezę zadań z treningiem RL, który poprawia zdolności agentów AI w analizie finansowej i zadaniach biurowych.
FairStress to benchmark Ai2 badający, czy modele AI zmieniają decyzje pod presją perswazji inaczej w zależności od grupy demograficznej kandydata.
OpenAI pokazuje, że GPT-6 radzi sobie dużo lepiej z legacy'owymi językami jak COBOL i Fortran, kluczowymi dla bankowości i ATM-ów.
GardenBench to nowy benchmark z 11 zestawami testów, który codziennie monitoruje wydajność, koszty i czas działania modeli LLM.
AlphaDiana to system pomiarowy ujawniający, że narzędzia, pamięć i instrukcje nie zawsze poprawiają dokładność agentów AI opartych na modelach rozumowania.
Nowe badanie pokazuje, że transkrypty z nasyconych benchmarków AI pozwalają przewidzieć zdolności modeli znacznie lepiej niż same wyniki testów.
Nowy benchmark RealtimeBench i metoda TORSI pokazują, że szybkość agentów AI może liczyć się bardziej niż jakość pojedynczej odpowiedzi.
Google testuje Gemini 4 Argon – model AI, który steruje robotami, buduje symulacje treningowe i ocenia dane, dążąc do „fizycznego AGI”.
Badanie z arXiv ujawnia, że większość agentów data science popełnia metodologiczne błędy jak wyciek danych, niewidoczne w standardowych testach trafności.
Jose Hernandez-Orallo zaprezentował C-test oparty na Kt Levina i LLM, mierzący trudność zadań AI poza zasięgiem najlepszych obecnych modeli.
Gemini 4 Argon od Google łączy rozumowanie fizyczne dla robotyki z agresywną ceną i wynikami rywalizującymi z GPT-6 Astra oraz Claude Fable 5.1.
Meta publikuje Muse Wonder i Muse Wonder Full – modele dorównujące Claude i GPT-6, ale droższe niemal trzykrotnie od poprzednika.
