viðmiðunarpróf

Gemini 4 Pro frá Google birtist á viðmiðunarprófunarvettvangi undir dulnefni

Líkan sem talið er vera næstu kynslóðar gervigreind frá Alphabet Inc., Gemini 4 Pro, hefur birst á Arena viðmiðunarprófunarvettvangnum undir nafninu "gemini-3.8-flash," samkvæmt skýrslum verktaka sem fóru að dreifast þann 17. september. Líkanið, sem ber innra kóðanafnið Argon, hefur ekki…

Ný viðmiðunarmæling: Skammftölvur eru 100.000-falt frá því að vera vísindalega gagnlegar

Núverandi skammftölvur eru enn um fimm veldisvísisstigum fyrir neðan þá reiknigetu sem þarf til að takast á við þekkt vísindaleg verkefni, samkvæmt nýrri viðmiðunarrannsókn sem birt var á forprentsafninu arXiv. Niðurstaðan, sem kemur frá vísindamönnum hjá Sandia National Laboratories með…

Claude-líkön Anthropic raða sér í efstu sæti SWE-bench forritunarprófa

Claude-gervigreindarlíkön Anthropic eru í efstu sætum á öllum helstu útgáfum SWE-bench forritunarprófsins frá og með september 2026, þar sem Claude Opus 5 náði 96% á SWE-bench Verified og Claude Fable 5.1 fékk 81,2% á krefjandi SWE-bench Pro. Niðurstöðurnar undirstrika vaxandi…

GPT-6 Astra kemur út en dregst aftur úr Anthropic í óháðum prófunum

OpenAI hóf útgáfu á GPT-6 Astra þann 3. september og kallaði það „snjallasta og samhæfðasta líkan heims“ með getu sem nær yfir vafra, forritun, netöryggi og vísindalega rökhugsun. En óháðar prófanir sem birtar voru dögum síðar af Artificial Analysis setja…