Материал бастапқы дереккөзден алынған:
The Decoder
Толық мәтінді The Decoder сайтында оқуМатериал ашық дереккөздерден жиналған. Оның орналастырылуы сіздің құқықтарыңызға тиіп жатса → Ақпаратты жою
Google Gemini 4 Argon айлардағы кез келген Google моделіне қарағанда AI шекарасына жақын
Google Deepmind Gemini 4 Argon ARC-AGI-3 эталонында 97,5 пайыз жинады, бұл Google-ды OpenAI-ден кейінгі 95 пайыздық көрсеткіштен өткен екінші зертханаға айналдырды. Бірақ нәтижелер сынақ қондырғысына байланысты қатты өзгереді: стандартты белдеуде балл 49,8 пайызға дейін төмендейді. Аргон…
AI қорытындысы: Басты тезистер
- Google Deepmind Gemini 4 Argon ARC-AGI-3 эталонында 97,5 пайыз жинады, бұл Google-ды OpenAI-ден кейінгі 95 пайыздық көрсеткіштен өткен екінші зертханаға айналдырды
- Бірақ нәтижелер сынақ қондырғысына байланысты қатты өзгереді: стандартты белдеуде балл 49,8 пайызға дейін төмендейді
Google Gemini 4 Argon айлардағы кез келген Google моделіне қарағанда AI шекарасына жақын
Ұқсас материалдар
Сэм Альтман ChatGPT тұлғасы туралы (менің сұхбатымнан үзінді)
Сэм Альтман ChatGPT тұлғасы туралы (менің сұхбатымнан үзінді)
GardenBench: LLM қабілеттерінің жеңіл, күнделікті бағалауы
arXiv:2610.23866v1 Хабарлама түрі: жаңа Анотация: Біз GardenBench-ді ұсынамыз, бұл 11 тест жинағынан тұратын бенчмарк, ол үлкен тілдік моделілердің (LLM) қабілеттерін әртүрлі тапсырмалар бойынша бағалайды. LLM-дерді жүйелі түрде әртүрлі жеңіл сұраулармен подсказ бера отырып, біз құжаттаймыз…
Көбірек жұмыс істеу: балама архитектуралық таңдауларға қарағанда агенттік есептеулердің жарамдылығын зерттеудің бірінші принциптері.
arXiv:2610.23921v1 Хабарландыру Түрі: жаңа Аннотация: Agentic Artificial Intelligence (AI) көмегімен іскерлік әрекеттерді автоматтандыруға қызығушылық артып келеді, себебі соңғысы пайдалану оңай болып көрінеді. Көп нәрсемен азырақ істеу ешқашан оңай немесе қымбат болған емес. Дегенмен, бұл туралы аз мәлімет…
ENA Controlled LLM Workflow for Evidence-Grounded Diagnosis of Risk Score Differences
arXiv:2610.23962v1 Announce Type: new Abstract: We propose a controlled Large Language Model (LLM) workflow for explaining risk score differences using similar historical transactions. The workflow combines reference retrieval and contrastive SHapley Additive exPlanations (SHAP)…