کدام سازمان بیشترین رتبههای اول هوش مصنوعی را تا اکتبر ۲۰۲۶ دارد؟
یک شاخص زنده جدید، لیدربوردهای پراکنده Hugging Face را در یک نمای واحد تجمیع کرد. تا اکتبر ۲۰۲۶، سازمان FINAL-Bench بیشترین رتبههای اول را در حوزههای متنوع هوش مصنوعی به دست…
موضوع
گزارشها و تحلیلهای مربوط به توانایی تکرار و تأیید نتایج پژوهشهای هوش مصنوعی
۳۳۹ مقاله منتشر شده
یک شاخص زنده جدید، لیدربوردهای پراکنده Hugging Face را در یک نمای واحد تجمیع کرد. تا اکتبر ۲۰۲۶، سازمان FINAL-Bench بیشترین رتبههای اول را در حوزههای متنوع هوش مصنوعی به دست…
پروژه Apertus نسخهی ۱.۵ مدلهای ۸ و ۷۰ میلیارد پارامتری خود را با قابلیت درک بومی تصویر و صوت و یک «حالت تفکر» تخصصی عرضه کرد. این بهروزرسانی پنجرهٔ زمینه را به ۲۶۲,۱۴۴ توکن…
بنچمارکهای جدید مدلهای Muse Wonder شرکت متا نشاندهنده شکافی عمیق است: این مدلها در وظایف پیچیده و طولانی مانند مهندسی نرمافزار برتری دارند، اما در هوش عمومی و دانش…
دیتالب ابزار متنباز OmniParseBench را برای ارزیابی دقیق مدلهای OCR در ۹۲ زبان معرفی کرد. در نتایج اولیه، مدل Gemini 3.8 Flash با بالاترین امتیاز، جایگاه نخست این جدول را به دست…
یک توسعهدهنده با جایگزینی تستهای دستی با یک سامانه ارزیابی خودکار، متوجه شد که بهروزرسانیهای مدل و استفاده از مدلهای کوچکتر بهطور مداوم تنظیمات پروژه را میشکنند. این تجربه…
تحلیل ۷۷ مطالعه نشان میدهد مدلهای پیشرو در تصحیح پاسخهای تشریحی، بدون داشتن کلید پاسخ معتبر، تمایل شدیدی به «قبول کردن» پاسخهای غلط دارند. اعتبار این داوران دقیقاً در لحظهای…
یک ابزار تحلیل فنی جدید به نام Parsimony میزان کدهای غیرضروری تولیدشده توسط عاملهای هوش مصنوعی را اندازهگیری میکند. برخلاف محکهای رایج، این سیستم مدلهایی را پاداش میدهد که…
پلتفرم 0sql با معرفی یک لایه معنایی، دسترسی مستقیم عاملهای هوش مصنوعی به نوشتن کدهای SQL را حذف کرده است. این معماری با تبدیل درخواستها به مشخصات JSON، خطرات تزریق SQL و عدم…
پلتفرمهای هوش مصنوعی اغلب موتورهای مدل خود را بدون اطلاع کاربران تغییر میدهند و باعث میشوند پرامپتهای قبلاً موفق، خروجیهای ضعیفی تولید کنند. ایجاد یک سیستم خطمبنا (Baseline)…
منظمسازی (Regularization) مکانیزمی حیاتی برای جلوگیری از حفظ طوطیوار دادهها توسط مدلهاست تا تعمیمپذیری آنها در مواجهه با دادههای جدید تضمین شود. با اعمال محدودیتهایی نظیر…
ابزار Squadra با ایجاد یک دفتر ثبت محلی، اثرانگشت فایلها و نتایج تست را بین عاملهای مختلف کدنویسی هماهنگ میکند. این سیستم از ادغام کدهایی که در نسخه نهایی تست نشدهاند و منجر…
بسیاری از سامانههای ارزیابی هوش مصنوعی، موفقیتهای حاصل از تلاش مجدد (Retry) را به جای موفقیت در تلاش اول ثبت میکنند و بدین ترتیب افت کیفیت مدل را میپوشانند. مکانیزم «دفتر ثبت…