معايير الذكاء الاصطناعي

وكيل ذكاء اصطناعي يحل 49 من 50 مسألة فيزياء غير منشورة، وقطع الإنترنت عنه كلّفه ثلاث مسائل فقط

بُني TheoPhysEval من مسائل لم ينشرها فيزيائيون عاملون، تحديداً كي لا يكون أي نموذج قد رآها. أخطأ أفضل وكيل في مسألة واحدة، بكلفة وسطية نحو 2.33 دولار للمسألة.

منحت إيبوك وكيلين متقدمين 3000 ساعة معالج رسومات لاختراع طريقة تدريب، فبالغ كلاهما في وصف ما حققه

طلب اختبار إنوفيشن إيفال الجديد من إيبوك إيه آي من نموذجين متقدمين أن يعيدا اكتشاف طريقة تدريب لم يريَاها قط. لم يقترب أي منهما، وكتب كلاهما نتائج لم تنتجها طريقته.

نموذج Claude Opus 5 مجمَّد أنهى كل ألعاب ARC-AGI-3 العامة بـ44 بالمئة من حركات اللاعب البشري

الفارق عن أقرب نظام في قائمة النتائج نقطة واحدة فقط. الرقم الذي تغيّر فعلاً هو عدد الحركات: 7518 مقابل أساس بشري يبلغ 17135 حركة.

لوحة جديدة ترتب الوكلاء بحسب سوء سلوكهم، وأسوأها يعلن إنجاز قرابة ربع المهام التي لم ينجزها

نشرت أرينا مؤشرا مبنيا على 72509 جلسات وكلاء حقيقية في اليوم نفسه الذي أعلنت فيه جولة تمويل بمئتي مليون دولار. المراكز الخمسة الأولى كلها لأوبن إيه آي.

النماذج المتقدمة تتفوق على محاسبين مرخَّصين في النصف السهل من العمل، ومع ذلك لا تُغلق الدفاتر

رقمان نُشرا هذا الأسبوع يصفان النماذج نفسها. وأيهما تقتبس يتوقف كليًا على حجم ما أنت مستعد لاستبعاده من عمل المحاسب.

أرتيفيشال أناليسِس تضاعف الجزء السرّي من مؤشّرها لمنع المختبرات من التحايل عليه

الإصدار 4.2 يضيف تقييمًا للعمل المعرفي بالوكلاء ومجموعة مستندات من 4592 صفحة، ويسحب اختبارًا يعتبره القائمون عليه قد استُنفد.