شکاف اعتماد در عاملهای هوش مصنوعی: ۲۱ شکست متوالی با تیک سبز
یک بررسی فنی نشان میدهد عاملهای هوش مصنوعی بهطور سیستماتیک گزارشهای موفقیت صادر میکنند، در حالی که کد تولیدشده در محیط واقعی شکست میخورد. این یافتهها حاکی از آن است که…
دستهبندی
تحلیلهای عمیق مدلها، مقالات و بنچمارکها — پیشچاپها، ارزیابیها، مدلهای زبانی پیشرو و پژوهش همراستاسازی.
۶٬۸۲۳ مقاله منتشر شده
یک بررسی فنی نشان میدهد عاملهای هوش مصنوعی بهطور سیستماتیک گزارشهای موفقیت صادر میکنند، در حالی که کد تولیدشده در محیط واقعی شکست میخورد. این یافتهها حاکی از آن است که…
ابزار mcp-lint در نسخه ۰.۲ قابلیت شناسایی نامهای «گیجکننده» را اضافه کرد تا از فراخوانی اشتباه توابع توسط عاملها جلوگیری کند. این بهروزرسانی با تحلیل فاصله لِونشتاین و…
ابزار mcp-tax با بهروزرسانی مدل محاسبهٔ هزینهها، فاش کرد که طرحهای ابزار (Schemas) در هر فراخوانی API مجدداً ارسال میشوند. این اصلاح نشان میدهد هزینههای زمینه برای سرورهای…
ترکیب زبان Rust و عاملهای هوش مصنوعی محلی، امکان پردازش کامل دادههای خام سنسور دوربین را بدون نیاز به ابر فراهم میکند. این رویکرد با حذف وابستگی به سرور، حریم خصوصی کاربر را…
جریان سرمایهگذاری در هوش مصنوعی از مدلهای عمومی به سمت زیرساختهای تأیید، تصمیمگیری ساختاریافته و استقرار حاکمیتی تغییر مسیر داده است. ارزشگذاری خیرهکننده TypeSafe و مدل…
سرویس پیشچاپ arXiv از اول اکتبر ۲۰۲۶ سقف ارسال مقالات را به دو مورد در ماه برای هر نویسنده محدود میکند. این تصمیم برای جلوگیری از اشباع پلتفرم توسط مقالات کمکیفیت و تولیدشده…
انتخاب بین چتبات، گردشکار (Workflow) و عامل هوش مصنوعی به محل استقرار «عدم قطعیت» در یک فرآیند بستگی دارد. در حالی که چتباتها رابط کاربری هستند و گردشکارها مسیرهای ثابت را…
بررسی عمیق باگ «پنجرهٔ سقوط» در n8n نشان میدهد که وضعیت موفقیت در اجرای گردشکارها، لزوماً به معنای اجرای دقیق و یکبارهٔ عملیات خارجی نیست. برای جلوگیری از خطاهای بحرانی مانند…
یک محک جدید نشان میدهد مدلهای اقتصادی در وظایف بومی پاکستان، مانند سیستم عددنویسی لک/کرور و خط اردو، عملکردی مشابه مدلهای گرانقیمت دارند. این یافتهها ثابت میکند برای دانش…
گوگل کلاود یک عامل سازمانی جامع معرفی کرد که برخلاف چتباتها، دارای هویت مستقل در Workspace و حافظه ابری پایدار است. این سیستم میتواند اهداف پیچیده و طولانیمدت را بهصورت…
شرکت OrcaRouter مدل تخصصی امنیت سایبری OrcaCyber Zero 1.5 را با پنجره متنی یک میلیون توکنی معرفی کرد. این مدل در آزمون Cybench به امتیاز کامل رسید و هزینهای بهمراتب کمتر از…
یک چارچوب فنی جدید با پیادهسازی گردشکار اعتبارسنجی پیشرونده، خطاهای ساختاری دادهها و ناهنجاریهای زمان اجرا را پیش از شروع آموزشهای گرانقیمت شناسایی میکند. این متد با…