مدل‌ها
Anthropic’s first embedded evaluator is … Accenture?
Accenture is about to take on its most high-risk consulting engagement ever.
مدل‌ها
Separating signal from noise in coding evaluations
A new analysis from OpenAI reveals issues in SWE-Bench Pro, a popular coding benchmark, raising concerns about reliability and accuracy in evaluating AI model
پژوهش
LeRobot v0.6.0: Imagine, Evaluate, Improve
We’re on a journey to advance and democratize artificial intelligence through open source and open science.
پژوهش
Featuring Every Eval Ever Results on Hugging Face Model Pages
We’re on a journey to advance and democratize artificial intelligence through open source and open science.
مدل‌ها
Granite R2: مدل هوش مصنوعی چندزبانه با 32K تناظر و سرعت بالا
در این مقاله به معرفی جدیدترین مدل embedding چندزبانه Granite R2 می‌پردازیم؛ با 32k توکن، 200+ زبان و عملکرد برتر در MTEB، صنعت جستجو و retrieval را تغییر می‌دهد.
اخبار
چارچوبی جدید برای ارزیابی عامل‌های صوتی (EVA)
یک پست وبلاگ از ServiceNow-AI در مورد بغل کردن صورت
سیاست و قانون
هوش مصنوعی: Lockdown Mode و Elevated Risk در ChatGPT امنیت را بالا می‌برد
OpenAI با معرفی مود Lockdown و برچسب Elevated Risk در ChatGPT امکاناتی برای محافظت در مقابل تزریق پرامپت و استخراج داده‌های سازمانی فراهم کرده است
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.
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.
کسب‌وکار
ارزیابی‌های Eval: راهکار هوش مصنوعی برای کسب‌وکارهای نوآور
ارزیابی‌های Eval با استانداردهای دقیق، به کسب‌وکارها کمک می‌کند تا عملکرد هوش مصنوعی خود را اندازه‌گیری، ریسک را کاهش و بهره‌وری بالاتری کسب کنند؛ در سال 2026 نیز به دقت بیشتری می‌رسد.