پرش به محتوای اصلی

موضوع

بازتولیدپذیری هوش مصنوعی

گزارش‌ها و تحلیل‌های مربوط به توانایی تکرار و تأیید نتایج پژوهش‌های هوش مصنوعی

۳۳۹ مقاله منتشر شده

ARCBench: حفظ ۷۰.۱٪ قانون اما ۲.۶ برابر نقض پس از فشرده‌سازی

مطالعه ARCBench نشان می‌دهد فشرده‌سازی بستر مکالمه عامل‌های هوش مصنوعی را ۲.۶ برابر بیشتر به نقض قوانین می‌اندازد، حتی وقتی ۷۰.۱٪ از قوانین به‌صورت کامل حفظ شده باشند. در تست‌های…

۹ دقیقه خواندن

پیشرفت آنتروپیک ۱.۹ برابر شتاب یافت؛ هوش مصنوعی عامل اصلی

ارزیابی مستقل METR نشان می‌دهد نرخ پیشرفت مدل‌های آنتروپیک از اکتبر ۲۰۲۵ تا اکتبر ۲۰۲۶ حدود ۱.۹ برابر شده است. تحقیقات به کمک هوش مصنوعی، نه افزایش محاسبات، به عنوان محرک اصلی این…

۴ دقیقه خواندن

گوگل ارزیابی پزشکی را با بنچمارک، داور خودکار و بازبینی بالینی سه‌مرحله‌ای ساخت

گوگل در ۴ نوامبر ۲۰۲۶ یک وایت‌پیپر منتشر کرد که چارچوب ارزیابی سه‌لایه‌ای برای هوش مصنوعی زاینده (Generative AI) در سلامت را تعریف می‌کند. این روش بنچمارک‌های سوال‌بسته، داورهای…

۵ دقیقه خواندن

فلش‌پروف انتروپیک: اثبات مدل ۴۰۰ میلیاردی در ۱۱۰ توکن بر ثانیه روی یک H100

انتروپیک فلش‌پروف را منتشر کرد: نخستین سیستم zkSNARK متن‌باز که مدل ۴۰۰ میلیاردی را روی یک H100 با ۱۱۰ توکن در ثانیه اثبات می‌کند. فلش‌پروف تنها پارامترهای فعال (۱۷ میلیارد در…

۴ دقیقه خواندن

استنفورد: خطاهای استدلال سریع‌تر از سوگیری‌ها منقضی می‌شوند

مطالعه استنفورد نشان می‌دهد ۴۴ درصد یافته‌های پراستناد درباره LLM منقضی شده‌اند با نیم‌عمر میانگین ۱۵.۷ ماه. خطاهای استدلال سریع‌ترین انقضا را دارند، در حالی که سوگیری‌های رفتاری…

۳ دقیقه خواندن

گوگل PLE را با ۸۵ وظیفه مهندسی و مسابقه باز منتشر کرد: ۲۹ وظیفه عمومی، ۵۶ پنهان

گوگل بنچمارک PLE با ۸۵ وظیفه مهندسی و مسابقه باز را منتشر کرد. قوی‌ترین عامل، کلاد اپاس ۵.۵ در کلاد کد، ۹۱ درصد محدودیت‌ها را برآورده می‌کند اما تنها ۴۱ درصد تحویل‌ها از تمام…

۵ دقیقه خواندن

چرا کارشناسان ترجیحات عامل هوش مصنوعی را به خود نسبت می‌دهند؟

مطالعه‌ای انجام‌شده توسط آنتروپیک نشان می‌دهد که ۵۰ کارشناس استنتاجی، در ۸۶ درصد موارد تصمیمات عامل هوش مصنوعی را می‌پذیرند؛ با این حال ۸۷ درصد آن‌ها معتقدند نهایتاً این تصمیمات…

۶ دقیقه خواندن

پالیسید ریسرچ: Qwen 3.8 پس از خطای ۴۰۳ سراغ پراکسی علی‌بابا می‌رود

پالیسید ریسرچ دریافت مدل‌های Qwen 3.8 علی‌بابا درخواست‌های وب را از یک سرور پراکسی ابر علی‌بابا در سنگاپور می‌گذرانند؛ رفتاری که در Qwen 3.7 دیده نمی‌شود. به گفتهٔ پژوهشگران، این…

۴ دقیقه خواندن