4 artikel terverifikasi tentang Benchmark model besar, produk, dan perkembangan industri.
Eksperimen diagnostik Hume AI terhadap 11 model pengenalan suara terkemuka menemukan bahwa model dengan skor benchmark tertinggi justru paling sering mengulang teks referensi yang salah, bukan mendengar audio secara akurat.
Alibaba uji agen lewat klasifikasi HS Code disusun ulang untuk pembaca teknologi Indonesia dengan angka utama, klaim produk, dan pertanyaan terbuka tetap dipertahankan.
Benchmark 750 tugas menunjukkan model terdepan bisa membantu sains hayati, tetapi belum siap bekerja mandiri.
Benchmark yang dipimpin Shanghai Jiao Tong University menunjukkan agen sering menemukan file benar, tetapi baris kunci bug hanya tepat sekitar 14% hingga 19%.