utworzone przez Redakcja | lip 22, 2026
Badacze zaproponowali framework SAAG, który rozkłada ocenę wywołań agentów AI na trzy etapy diagnostyczne, umożliwiając precyzyjne wykrywanie błędów – od niezgodności ze schematem po halucynacje w argumentach. System pozwala też na iteracyjną samo-naprawę modeli na...
utworzone przez Redakcja | lip 16, 2026
Naukowcy opracowali metodę 'interventional grounding audits' do testowania, czy modele językowe jak GPT-4o naprawdę opierają swoje rozumowanie na podanych przesłankach. Na benchmarku ProntoQA metoda osiągnęła F1 = 0,806 w wykrywaniu prawdziwych zależności...
utworzone przez Redakcja | lip 6, 2026
Zamknięte modele jak GPT czy Claude mogą wygrywać benchmarki nie dzięki lepszemu modelowi bazowemu, lecz dzięki ukrytym pipeline'om – RAG, routingowi do wyspecjalizowanych modeli czy wstrzykiwanym promptom systemowym, których nie widzimy przez API.
utworzone przez Redakcja | cze 25, 2026
Naukowcy opracowali system wykorzystujący duże modele językowe do automatycznego generowania coraz trudniejszych benchmarków testujących zdolności rozumowania relacyjnego sieci neuronowych. Podejście łączy ewolucyjne przeszukiwanie sterowane przez LLM z autonomicznymi...
utworzone przez Redakcja | cze 12, 2026
Naukowcy przedstawili ToolSense – framework do oceny, czy modele językowe naprawdę rozumieją narzędzia, którymi zarządzają, a nie tylko je zapamiętują. Badanie wskazuje na luki w obecnych benchmarkach oceny LLM jako agentów narzędziowych.
