4 artículos verificados sobre Benchmarks de grandes modelos, productos y movimientos del sector.
Una prueba de Hume AI con 11 modelos de ASR muestra que la tasa de error más baja suele coincidir con la mayor tasa de reproducción de errores del texto de referencia, una señal de alerta al elegir modelos de voz.
Alibaba prueba agentes con clasificacion de codigos HS se reescribe para lectores tecnologicos en espanol, conservando cifras clave, limites del producto y preguntas abiertas.
El benchmark de 750 tareas muestra que los modelos ayudan en ciencias de la vida, pero están lejos de investigar solos.
Un benchmark liderado por Shanghai Jiao Tong University muestra que los agentes hallan el archivo correcto, pero solo 14% a 19% de las líneas relevantes.