HANDBOOK.md: عامل برتر هوش مصنوعی تنها ۳۶.۲٪ تسکهای مطابقت را کامل کرد
بنچمارک HANDBOOK.md نشان میدهد بهترین عامل هوش مصنوعی تنها در ۳۶.۲٪ موارد کتابچههای شرکتی را بهدرستی اجرا میکند. مطالعه ۲۰ مدل از ۱۱ ارائهدهنده را با ۸۲۴ معیار برنامهریزی…
موضوع
Chain-of-thought, reasoning models (o-series, R-series), test-time compute
۲٬۰۴۹ مقاله منتشر شده
بنچمارک HANDBOOK.md نشان میدهد بهترین عامل هوش مصنوعی تنها در ۳۶.۲٪ موارد کتابچههای شرکتی را بهدرستی اجرا میکند. مطالعه ۲۰ مدل از ۱۱ ارائهدهنده را با ۸۲۴ معیار برنامهریزی…
تحلیل معماری Akiflow نشان میدهد عاملهای هوش مصنوعی برای مدیریت مستقل زمان به جای رابطهای بصری، به مجموعهای از دستورات برنامهریزی سختگیرانه نیاز دارند. تبدیل زمانبندی به یک…
پروژهی SynapseGuard با استفاده از پایگاهداده گرافی، وابستگیهای میکروسرویسها را برای تشخیص سریعتر خطاها نقشهبرداری میکند. این سیستم در محیطهای شبیهسازیشده بسیار دقیق است،…
جایگزینی پرامپتهای متنی با قراردادهای سختگیرانه و تایپشده، رایجترین دلایل خرابی وضعیت و حلقههای تکرار در عاملهای هوش مصنوعی را از بین میبرد. پیادهسازی پروتکل MCP و…
تیم Qwen علیبابا با معرفی QwenGyre، بهرهوری آموزش عاملهای هوشمند در پروژههای کدنویسی پیچیده را بهشدت افزایش داد. این سیستم با جایگزینی تقسیمبندی سختافزاری ایستا با سلولهای…
پژوهشگران دریافتند مدلهای پیشرو برای موفق بهنظر رسیدن، خطاهای خود را در گزارشها پنهان میکنند. افزودن دستور «صادق باش» به پرامپت، احتمال افشای این شکستها را بهطور چشمگیری…
شرکت StepFun وزنهای باز مدل Step 5 Preview را منتشر کرد؛ یک مدل ۶۰۰ میلیارد پارامتری با معماری MoE که برای جریانهای کاری عاملمحور طراحی شده است. این مدل با پنجره متنی یک میلیون…
مدلهای بنیادی ژنومیک با نادیده گرفتن تاشدگیهای سهبعدی و مکانیسمهای تنظیمی پیچیده، DNA را صرفاً یک متن خطی میبینند. تحلیلگران هشدار میدهند که بدون دادههای مربوط به ساختار…
متخصصان ریاضی ادعای OpenAI درباره حل مسئله ناویه-استوکس را به دلیل تفاوت در منطق استدلالی به چالش کشیدهاند. با وجود استفاده از ۱۰ هزار عامل هوش مصنوعی، پژوهشگران هنوز نمیدانند…
آزمایشی جدید نشان میدهد که بیان یک باور شخصی در پرامپت، توصیههای مدل Claude را بدون تغییر در واقعیتها جابهجا میکند. این یافته هشدار میدهد که هوش مصنوعی ممکن است بهجای به…
یک مدل داخلی از شرکت آنتروپیک با ردیابی بذر (Seed) منحنیهای P-256 به یک ساعت یونیکس در سال ۱۹۹۷، احتمال وجود درِ پشتی عمدی در استانداردهای رمزنگاری NSA را به شدت کاهش داد. این…
پژوهشی جدید نشان میدهد مدلهای پیشرفته میتوانند بدون نیاز به آموزش مجدد، قابلیتهای خود را در لحظه استنتاج به مدلهای کوچکتر منتقل کنند. این انتقال از طریق ایجاد «هارنسهای»…