52 artykuły z tym tagiem
FairStress to benchmark Ai2 badający, czy modele AI zmieniają decyzje pod presją perswazji inaczej w zależności od grupy demograficznej kandydata.
GardenBench to nowy benchmark z 11 zestawami testów, który codziennie monitoruje wydajność, koszty i czas działania modeli LLM.
Simon Willison zaktualizował llm-echo – debugowy plugin do LLM symulujący model AI, który teraz dokładniej liczy tokeny narzędzi i rozumowania.
Simon Willison wydał poprawkę llm-tools-datasette 0.1.1, usuwając błąd wywołany migracją narzędzia LLM na bibliotekę httpx2 w wersji 0.33.
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.
NVIDIA i AI4Bharat udostępniają Nemotron-pretraining-Indic-v1 – 2,8 biliona tokenów i otwarty potok generowania danych dla 22 języków indyjskich.
Agenci AI z badania VUB i UNamur sami wykształcili język komunikacji, osiągając ponad 99 proc. skuteczności w porozumiewaniu się.
Jose Hernandez-Orallo zaprezentował C-test oparty na Kt Levina i LLM, mierzący trudność zadań AI poza zasięgiem najlepszych obecnych modeli.
Nowy algorytm EliteTable wykorzystuje LLM-y do samodoskonalącego przeszukiwania programów sterujących – poprawa w pięciu z sześciu zadań Gymnasium.
ArXiv wprowadza limit dwóch zgłoszeń miesięcznie na osobę, bo AI podwoiła liczbę prac w dwa lata, przytłaczając moderatorów platformy.
Nowe badanie z arXiv testuje odwracalne zapominanie kontekstu przez agentów AI – obniżyło koszty API nawet trzykrotnie, ale nie w każdym zadaniu.
