پژوهش معرفی LifeSciBench؛ معیاری تازه برای ارزیابی هوش مصنوعی در علوم زیستی در این مقاله با LifeSciBench آشنا میشوید؛ معیاری جدید از OpenAI برای ارزیابی سیستمهای هوش مصنوعی در انجام وظایف و تصمیمگیریهای واقعی در حوزه علوم زیستی. ۲۷ خرداد ۱۴۰۵ ۳ دقیقه پژوهش هوش مصنوعی در عربی: روند نوین ارزیابی کیفیت مدل‌های LLM – راهنمای QIMMA معرفی QIMMA، لواردبورد پیشرفتهٔ عربی با پردازش کیفیت بی‌خطا، موجب‌ دست‌کاری دقیق‌تر نتایج ارزیابی مدل‌های زبانی عربی می‌شود. ۱ اردیبهشت ۱۴۰۵ ۲ دقیقه پژوهش هوش مصنوعی: ارزیابی‌های جامعه باعث تغییر لیست‌های بیتی می‌شود با معرفی Community Evals، Hugging Face به دنبال ایجاد شفافیت در ارزیابی مدل‌های هوش مصنوعی است. لیست‌های بیش‌الصداقه دور می‌شوند و نتایج با اعتبار معتبر می‌کنند. ۱۵ بهمن ۱۴۰۴ ۲ دقیقه پژوهش هوش مصنوعی در ارزیابی لهجه اماراتی: پایگاه جدید Alyah برای مدل‌های عربی در این مقاله به بررسی پایگاه آنلاین Alyah می‌پردازیم که به پژوهش‌های گویش اماراتی در مدل‌های عربی می‌پردازد و نتایج ارزیابی از طریق Hugging Face را معرفی می‌کند. ۷ بهمن ۱۴۰۴ ۲ دقیقه پژوهش هوش مصنوعی در آزمایشگاه نیکوتئان: جدول معیار برتری نيموترون 3 نانو با نِموِ اویولویتر نیموترون 3 نانو، مدل هوش مصنوعی NVIDIA، در یک استاندارد ارزیابی باز، توسط ابزار NeMo Evaluator از پلتفرم هاجیینگ فیس به‌طور باز و قابل تکرار تست شد. ۲۶ آذر ۱۴۰۴ ۲ دقیقه پژوهش OpenAI: چگونه آزمایش طرف ثالث اکوسیستم ایمنی هوش مصنوعی را تقویت می‌کند OpenAI با همکاری کارشناسان مستقل، آزمایش‌های دوره‌ای روی هوش مصنوعی را برای افزایش ایمنی، اعتبار و شفافیت در ارزیابی مدل‌ها اجرا می‌کند؛ این کار اعتماد عمومی را تقویت می‌کند. ۲۸ آبان ۱۴۰۴ ۲ دقیقه پژوهش هوش مصنوعی و ارزیابی کد: BigCodeArena با اجرای واقعی کدها نقش هیجان‌انگیز پلتفرم BigCodeArena با اجرای کد برای ارزیابی مدل‌های تولید کد، استاندارد جدیدی برای تحلیل عملکرد کدهای تولیدی توسط هوش مصنوعی معرفی می‌کند. ۱۵ مهر ۱۴۰۴ ۲ دقیقه پژوهش هوش مصنوعی و GDPval: ارزیابی مدل‌های OpenAI در ۴۴ شغل اقتصادی واقعی OpenAI با معرفی GDPval، فریمورک ارزیابی مدل‌های هوش مصنوعی را بر مبنای عملکرد در کارهای اقتصادی واقعی و ارزش‌افزوده به ۴۴ شغل مختلف ارائه کرد. ۳ مهر ۱۴۰۴ ۲ دقیقه پژوهش هوش مصنوعی بدون خطر: راهنمای RiskRubric.ai برای ارزیابی استاندارد مدل‌ها RiskRubric.ai، استانداردی نوین برای ارزیابی ریسک مدل‌های هوش مصنوعی، امنیت، حریم خصوصی و پایداری را در ارزیابی مدل‌ها به یکپارچگی می‌آورد. ۲۷ شهریور ۱۴۰۴ ۲ دقیقه پژوهش برندمارک 3LM: استاندارد نوین هوش مصنوعی عربی در STEM و برنامه‌نویسی برندمارک ۳LM، استانداردی جدید برای ارزیابی مدل‌های زبانی عربی در حوزه‌های علمی‑فناوری و برنامه‌نویسی، با تمرکز بر مسائل تخصصی و کد. در این مقاله به جزئیات روش، مجموعه داده‌ها و نتایج کلیدی می‌پردازیم. ۱۰ مرداد ۱۴۰۴ ۲ دقیقه