Alibaba kiểm tra agent bằng phân loại mã HS
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.
Tin tức và phân tích Benchmark mô hình lớn
3 bài đã kiểm chứng về Benchmark mô hình lớn, sản phẩm và diễn biến ngành.
LifeSciBench của OpenAI phơi bày khoảng cách AI trong khoa học
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.
SWE-Explore: agent lập trình bỏ lỡ dòng mã then chốt
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%.