اخبار Judge Arena: پلتفرم Hugging Face برای مقایسه مدل‌های زبانی در نقش داور هَگینگ‌فیس پلتفرم Judge Arena را معرفی کرد؛ ابزاری متن‌باز برای مقایسه و رتبه‌بندی مدل‌های زبانی در نقش قاضی، با روش رأی‌گیری جمعی و میزبانی رده‌بندی زنده. ۲۹ آبان ۱۴۰۳ ۲ دقیقه آموزش Argilla 2.4: ساخت دیتاست فاین‑تیون و ارزیابی بدون کد در هاب هوش مصنوعی Argilla نسخهٔ 2.4 ابزار کاربرپسندی است که امکان ساخت و ارزیابی دیتاست‌های یادگیری ماشین بدون نیاز به کدنویسی را در هاب هوش مصنوعی فراهم می‌کند. ۱۴ آبان ۱۴۰۳ ۲ دقیقه پژوهش SimpleQA: مرجع جدید هوش مصنوعی برای آزمون دقیق پاسخ‌های کوتاه OpenAI یک بنچمارک جدید به نام SimpleQA معرفی کرد که توانایی پاسخ‌های کوتاه و مستند مدل‌های زبانی را سنجیده و به بهبود دقت و شفافیت کمک می‌کند. ۹ آبان ۱۴۰۳ ۲ دقیقه پژوهش ارزیابی انصاف در ChatGPT ما با استفاده از دستیاران تحقیقاتی هوش مصنوعی برای محافظت از حریم خصوصی، نحوه پاسخگویی ChatGPT به کاربران را بر اساس نام آنها تجزیه و تحلیل کرده‌ایم. ۲۴ مهر ۱۴۰۳ ۲ دقیقه پژوهش MLE-bench: معیاری نوین برای ارزیابی مهندسی یادگیری ماشین در هوش مصنوعی MLE-bench، معیاری نوین از OpenAI برای سنجش عملکرد عامل‌های هوش مصنوعی در مهندسی یادگیری ماشین؛ گامی مهم در بهبود و مقایسه مدل‌های ML. ۱۹ مهر ۱۴۰۳ ۲ دقیقه پژوهش هوش مصنوعی در مالی: Open FinLLM Leaderboard با نتایج شگفت‌انگیز Open FinLLM Leaderboard، یک نمونه از پیشرفت هوش مصنوعی در حوزه مالی، با ارزیابی دقیق مدل‌های یادگیری عمیق بر اساس معیارهای مالی خاص، در دسترس پژوهشگران و صنایع است. ۱۳ مهر ۱۴۰۳ ۲ دقیقه پژوهش هوش مصنوعی در زبان چک: BenCzechMark و آزمون دقیق مدل‌های LLM بن‌چکمارک اولین مجموعه ارزیابی جامع برای مدل‌های بزرگ زبان (LLM) در زبان چک را معرفی می‌کند. با ۵۰ کار و ۹ حوزه، عملکرد زبان‌پردازی را این‌چنین بررسی می‌کند. ۱۰ مهر ۱۴۰۳ ۲ دقیقه پژوهش معیار SWE-bench Verified: ارزیابی دقیق هوش مصنوعی برای مشکلات واقعی نرم‌افزار OpenAI با معرفی سازماندهی SWE-bench Verified، یک زیرمجموعه ارزیابی مجاز از ابزارهای هوش مصنوعی برای حل مشکلات واقعی نرم‌افزار ارائه می‌دهد. ۲۳ مرداد ۱۴۰۳ ۲ دقیقه پژوهش LAVE: ارزیابی VQA بدون محدودیت زمانی روی Docmatix با LLMها ما در مسیر پیشرفت و دموکراتیزه کردن هوش مصنوعی از طریق متن‌باز و علم آزاد هستیم. ۴ مرداد ۱۴۰۳ ۲ دقیقه پژوهش OpenAI و لوس بالاموس برای توسعه و ارزیابی ایمنی مدل‌های هوش مصنوعی پیشرفته همکاری OpenAI و لوس بالاموس، دو نهاد پیشرو، برای ارزیابی ایمنی و کنترل خطرات زیستی مدل‌های هوش مصنوعی پیشرفته در فاز اولیه تحقیقاتی آغاز کرده‌اند. ۲۰ تیر ۱۴۰۳ ۲ دقیقه