پژوهش Introducing GeneBench-Pro Introducing GeneBench-Pro, a new benchmark testing AI performance in genomics, biology, and scientific research using complex, real-world datasets. ۹ تیر ۱۴۰۵ ۲ دقیقه پژوهش Introducing the FFASR Leaderboard: Benchmarking ASR in the Real World We’re on a journey to advance and democratize artificial intelligence through open source and open science. ۳ تیر ۱۴۰۵ ۲ دقیقه پژوهش Hugging Face وارد «Benchmaxxer Repellant» می‌شود: محافظت از داده‌های خصوصی ASR در آخرین بروزرسانی، هگینگ فِیس دیتاست‌های خصوصی صدای English از Appen و DataoceanAI را در لیست ASR مخفی کرد تا از برتری در آزمون جلوگیری کند. ۱۶ اردیبهشت ۱۴۰۵ ۲ 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 در رده‌سازی امنیت قراردادهای هوشمند: معرفی EVMbench OpenAI و Paradigm در معرفی EVMbench بنچمارکی نوین برای سنجش توانایی عوامل هوش مصنوعی در شناسایی و اصلاح آسیب‌پذیری‌های بالای قراردادهای هوشمند ارائه می‌دهند. ۲۹ 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 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 ScreenSuite: جامع‌ترین مجموعه ارزیابی ایجنت‌های GUI در هوش مصنوعی ScreenSuite به‌عنوان اولین سوییتم جامع برای سنجش عملکرد ایجنت‌های GUI در هوش مصنوعی معرفی شد؛ در کمتر از ۳۰ ثانیه می‌توانید مدل‌های VLM را برپایه معیارهای دقیق مقایسه کنید. ۱۶ خرداد ۱۴۰۴ ۲ دقیقه پژوهش هوش مصنوعی و HealthBench: استاندارد جدید ارزیابی مدل‌های پزشکی HealthBench، یک بَنک‌نشین منظم برای ارزیابی هوش مصنوعی در حوزه سلامت است. با همکاری بیش از ۲۵۰ متخصص پزشکی، این ابزار کیفیت و ایمنی مدل‌ها را در سناریوهای واقعی سنجیده می‌کند. ۲۲ اردیبهشت ۱۴۰۴ ۲ دقیقه پژوهش BrowseComp: چالش جدیدی برای آزمایش ایجنت‌های مرورگر هوش مصنوعی OpenAI با Benchmark جدید BrowseComp، عملکرد ایجنت‌های مرورگر هوش مصنوعی را بر اساس پرسش‌های واقعی وب تست می‌کند؛ این ابتکار نقش مهمی در پژوهش و صنعت دارد. ۲۱ فروردین ۱۴۰۴ ۲ دقیقه