6 bài đã kiểm chứng về Đánh giá AI, sản phẩm và diễn biến ngành.
Thử nghiệm của Hume AI trên 11 mô hình ASR cho thấy điểm WER thấp nhất thường trùng với tỷ lệ lặp lại lỗi văn bản tham chiếu cao nhất, đặt câu hỏi về cách chọn mô hình giọng nói cho sản xuất.
OpenAI cho biết điểm RHAE công khai ARC-AGI-3 của GPT-5.6 Sol tăng từ 13,3% lên 38,3% sau khi giữ reasoning và bật compaction.
RoboDojo cho thấy tỷ lệ thành công robot thật vẫn thấp được viết lại cho độc giả công nghệ Việt Nam, giữ nguyên các con số, tuyên bố sản phẩm và điểm cần kiểm chứng.
Alibaba kiểm tra agent bằng phân loại mã HS được viết lại cho độc giả công nghệ Việt Nam, giữ nguyên các con số, tuyên bố sản phẩm và điểm cần kiểm chứng.
Bộ 750 nhiệm vụ cho thấy mô hình hàng đầu có thể hỗ trợ sinh học, nhưng còn xa mới làm nghiên cứu độc lập.
Benchmark do Đại học Giao thông Thượng Hải dẫn dắt cho thấy agent thường tìm đúng file nhưng chỉ định đúng dòng liên quan bug khoảng 14% đến 19%.