4 articles vérifiés sur Benchmarks de grands modèles, les produits et le secteur.
Un test de Hume AI sur 11 modèles ASR montre que le taux d'erreur le plus bas coïncide souvent avec le taux le plus élevé de reproduction des erreurs du texte de référence, un signal d'alarme pour le choix des modèles vocaux.
Alibaba teste les agents avec la classification HS Code est repris pour des lecteurs tech francophones, avec les chiffres, les limites produit et les points de verification essentiels.
Le benchmark de 750 tâches montre que les modèles aident les sciences du vivant sans être prêts pour la recherche autonome.
Un benchmark mené par Shanghai Jiao Tong University montre que les agents trouvent souvent le bon fichier, mais seulement 14 à 19% des lignes pertinentes.