utworzone przez Redakcja | lip 8, 2026
OpenAI przeprowadziło audyt benchmarku SWE-Bench Pro i odkryło, że około 30% zadań jest uszkodzonych. Firma wycofała wcześniejsze zalecenie dotyczące adopcji tego narzędzia do oceny modeli AI.
utworzone przez Redakcja | maj 27, 2026
Badacze przedstawili Anchor – pipeline do generowania zadań dla agentów AI, który rozwiązuje problem 'dryftu artefaktów', czyli niespójności między instrukcjami, środowiskami i weryfikatorami. System formalizuje specyfikacje ekspertów domenowych w programy...
utworzone przez Redakcja | maj 18, 2026
HuggingFace wprowadził Open Agent Leaderboard, platformę do oceny i porównywania wydajności otwartych agentów sztucznej inteligencji. Narzędzie pozwala społeczności śledzić postępy w rozwoju systemów agentowych.
utworzone przez Redakcja | kwi 29, 2026
Ocena i testowanie modeli sztucznej inteligencji staje się największym ograniczeniem w procesie ich rozwoju, wypierając moc obliczeniową jako główny problem branży.
utworzone przez Redakcja | kwi 25, 2026
Badacze analizują problem stronniczości w rankingach modeli języka, pokazując, że oceny benchmarków zależą od priorytetów projektantów, a nie rzeczywistych potrzeb użytkowników. Proponują interaktywny interfejs wizualizacji do bardziej elastycznej...
