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 محصولات هوش مصنوعی در بهره‌وری: ۳ درس کلیدی برای موفقیت پایدار از تجربه Intercom Intercom با ایجاد پلتفرم هوش مصنوعی مقیاس‌پذیر، سه درس مهم از ارزیابی، معماری و استراتژی محصول را برای ایجاد مزیت پایدار در پشتیبانی مشتری توضیح می‌دهد. ۸ مرداد ۱۴۰۴ ۲ دقیقه پژوهش هوش مصنوعی در تحلیل ویدیوهای طولانی: TimeScope و چالش‌های آن TimeScope، بنچمارکی متن‌باز برای سنجش توانایی مدل‌های هوش مصنوعی در درک ویدیوهای طولانی تا 8 ساعت با چالش‌های متعدد و کاهش هزینه‌های پردازش. ۱ مرداد ۱۴۰۴ ۲ دقیقه پژوهش هوش مصنوعی: رقابت E2LM 2025 – ارزیابی زودهنگام مدل‌های زبانی در قالب جدید پیش‌آموزش مدل‌های زبانی، رقابت E2LM 2025 مهندسان را می‌طلبد؛ نتایج در NeurIPS 2025 اعلام خواهد شد با سه ماه برای ثبت‌نام ۱۳ تیر ۱۴۰۴ ۳ 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 هوش مصنوعی: HELMET، رویکرد جامع برای ارزیابی مدل‌های طویل متن HELMT، چارچوب ارزیابی نوین برای مدل‌های زبان با طول متن بلند، به صورت متن باز و تحقیقاتی، نمونه‌های کاربردی و مزایای آن در دنیای هوش مصنوعی را می‌پذیرد. ۲۷ فروردین ۱۴۰۴ ۲ دقیقه پژوهش ارتقای ارزیابی هوش مصنوعی عربی: معرفی AraGen و Instruction Following در این مقاله به به‌روزرسانی‌های اخیر در Leaderboard عربی می‌پردازیم؛ معرفی AraGen 03–25، Instruction Following و چگونگی ارزیابی مدل‌های زبان عربی با معیارهای IFEval دقیق و کامل توسعه ۱۹ فروردین ۱۴۰۴ ۲ دقیقه پژوهش هوش مصنوعی در آزمون PaperBench: توانایی بازتولید پژوهش‌های پیشرفته PaperBench، بنچمارکی که توسط OpenAI معرفی شده، توانایی هوش مصنوعی‌ها در بازتولید پژوهش‌های پیشرفته را با دقت و جامع‌گی ارزیابی می‌کند. ۱۳ فروردین ۱۴۰۴ ۲ دقیقه پژوهش نماینده خود را با Arize Phoenix ردیابی و ارزیابی کنید ما در مسیر پیشرفت و دموکراتیزه کردن هوش مصنوعی از طریق متن‌باز و علم آزاد هستیم. ۱۰ اسفند ۱۴۰۳ ۲ دقیقه