benchmarks

Το Gemini 4 Pro της Google εμφανίστηκε σε πλατφόρμα αξιολόγησης με ψευδώνυμο

Ένα μοντέλο που εικάζεται ότι αποτελεί το κορυφαίο μοντέλο τεχνητής νοημοσύνης επόμενης γενιάς της Alphabet Inc., το Gemini 4 Pro, εμφανίστηκε στην πλατφόρμα αξιολόγησης Arena με το όνομα "gemini-3.8-flash", σύμφωνα με αναφορές προγραμματιστών που κυκλοφόρησαν στις 17 Σεπτεμβρίου. Το μοντέλο,…

Νέο σημείο αναφοράς: 100.000 φορές πίσω από την επιστημονική χρήση οι κβαντικοί υπολογιστές

Οι σημερινοί κβαντικοί υπολογιστές παραμένουν περίπου πέντε τάξεις μεγέθους πίσω από την υπολογιστική ικανότητα που απαιτείται για την επίλυση αναγνωρισμένων επιστημονικών προβλημάτων, σύμφωνα με νέα μελέτη αξιολόγησης που δημοσιεύθηκε στον διακομιστή προδημοσιεύσεων arXiv. Το εύρημα, από ερευνητές των Εθνικών Εργαστηρίων…

Τα μοντέλα Claude της Anthropic κυριαρχούν στα benchmarks προγραμματισμού SWE-bench

Τα μοντέλα τεχνητής νοημοσύνης Claude της Anthropic κατέχουν τις κορυφαίες θέσεις σε κάθε σημαντική παραλλαγή του benchmark προγραμματισμού SWE-bench από τον Σεπτέμβριο του 2026, με το Claude Opus 5 να φτάνει το 96% στο SWE-bench Verified και το Claude Fable…

Κυκλοφόρησε το GPT-6 Astra, αλλά υπολείπεται του Anthropic σε ανεξάρτητες δοκιμές

Η OpenAI ξεκίνησε τη διάθεση του GPT-6 Astra στις 3 Σεπτεμβρίου, χαρακτηρίζοντάς το ως το "πιο ευφυές και ευθυγραμμισμένο μοντέλο στον κόσμο", με δυνατότητες που καλύπτουν την περιήγηση στο διαδίκτυο, τον προγραμματισμό, την κυβερνοασφάλεια και την επιστημονική συλλογιστική. Ωστόσο, ανεξάρτητες…