GDPx เกณฑ์มาตรฐานวัดขีดความสามารถโมเดลระดับแนวหน้า
GDPx คือเกณฑ์มาตรฐานที่ครอบคลุมโดเมนที่มีมูลค่าสูงสุดสำหรับปัญญาประดิษฐ์ระดับแนวหน้า โดยเผยให้เห็นถึงจุดอ่อนสำคัญของโมเดลภาษาขนาดใหญ่ (LLM)…
Benchmarking
OpenAI เปิดตัว SWE-bench Verified ประเมินโมเดล AI แก้ปัญหาซอฟต์แวร์จริง
OpenAI ได้เปิดตัว SWE-bench ในรูปแบบที่ผ่านการตรวจสอบจากมนุษย์ (human-validated subset) เพื่อประเมินความสามารถของโมเดล AI…
BrowseComp: เกณฑ์มาตรฐานสำหรับ Agent ที่ท่องเว็บ
BrowseComp คือเกณฑ์มาตรฐานที่ออกแบบมาเพื่อวัดความสามารถของ AI agents ที่ต้องใช้การท่องอินเทอร์เน็ตในการรวบรวมข้อมูล…
OpenAI วัดประสิทธิภาพโมเดลจากงานจริง เปรียบเทียบกับงานในชีวิตประจำวัน
OpenAI มุ่งมั่นให้ AI ทั่วไปเป็นประโยชน์ต่อมวลมนุษยชาติ โดยได้พัฒนาการประเมินโมเดลจากแบบทดสอบเชิงวิชาการไปสู่การประเมินที่ประยุกต์ใช้ในโลกแห…
OpenAI เปิดตัว GeneBench-Pro สำหรับการประเมินโมเดลขั้นสูง
OpenAI ได้เปิดตัว GeneBench-Pro ซึ่งเป็นชุดทดสอบใหม่ที่ใช้สำหรับประเมินความสามารถของโมเดล AI ในงานด้านวิทยาศาสตร์ชีวภาพเชิงลึก…
OpenAI ตรวจสอบ SWE-bench พบปัญหาการออกแบบและการปนเปื้อนของชุดทดสอบ
OpenAI ได้ตรวจสอบชุดทดสอบ SWE-bench Verified ซึ่งเป็นหนึ่งในเกณฑ์มาตรฐานการเขียนโค้ดที่ใช้กันอย่างแพร่หลาย…