benchmarking

Η OpenAI παρουσιάζει εργαλείο αξιολόγησης για τις απαντήσεις τεχνητής νοημοσύνης σε θέματα ψυχικής υγείας

Η OpenAI κυκλοφόρησε την Τετάρτη το MentalHealthBench, ένα ανοιχτό πρότυπο αξιολόγησης που περιλαμβάνει 1.215 συνθετικές συζητήσεις ψυχικής υγείας, οι οποίες δημιουργήθηκαν σε συνεργασία με περισσότερους από 80 αδειούχους επαγγελματίες ψυχικής υγείας για να μετρηθεί ο τρόπος με τον οποίο τα…

Διχασμένες οι γνώμες των ανεξάρτητων εργαστηρίων για το GPT-6 Astra

Το GPT-6 Astra της OpenAI, το οποίο κυκλοφόρησε στις 3 Σεπτεμβρίου 2026, προκάλεσε σπάνια διχογνωμία μεταξύ των ανεξάρτητων αξιολογητών: ο ένας το κατατάσσει ως το κορυφαίο μοντέλο τεχνητής νοημοσύνης στον κόσμο, ενώ ο άλλος το τοποθετεί στο ίδιο επίπεδο με…

Το σύστημα πρακτόρων της Nvidia πέτυχε 100% στο τεστ συλλογισμού ARC-AGI-3

Η Nvidia δημοσίευσε την Παρασκευή έρευνα που δείχνει ότι το σύστημα πρακτόρων γενικού σκοπού, Agentic Variation Operators (AVO), πέτυχε απόλυτο σκορ 100% στο διαδραστικό τεστ συλλογισμού ARC-AGI-3, ένα αποτέλεσμα που υπογραμμίζει πώς η αρχιτεκτονική του πράκτορα, και όχι μόνο η…

Η OpenAI αποσύρει τη σύσταση για το SWE-Bench Pro μετά από έλεγχο που διαπίστωσε ότι το 30% των εργασιών είναι ελαττωματικό

Η OpenAI ανακοίνωσε την Τρίτη ότι αποσύρει τη σύστασή της για το SWE-Bench Pro ως αξιόπιστο μέτρο της ικανότητας προγραμματισμού της τεχνητής νοημοσύνης, επικαλούμενη έναν εσωτερικό έλεγχο που διαπίστωσε ότι περίπου το 30% των εργασιών του benchmark είναι ελαττωματικό και…