All Articles
1 min read
Исследования2026年10月23日
PLE: 物理工程的最后考试
arXiv:2610.30537v1 发布类型: 新 摘要: 前沿语言模型现在在流行知识基准测试中得分超过90%，并越来越多地作为执行多小时专业工作的代理被部署。然而，现有基准测试没有测试它们是否能够执行...
Rujun Han, Yufan Zhuang, Arijit Ray, Han Yu, Zoey CuiZhu, George Lee, Yifei Ming, Binz Roy, Varun Sakalkar, Vishy Tirumalashetty, Burak Gokturk, Tomas Pfister, Chen-Yu Lee·arXiv — cs.AI
Original SourceKey Takeaways
- 01.arXiv:2610.30537v1 发布类型: 新 摘要: 前沿语言模型现在在流行知识基准测试中得分超过90%，并越来越多地作为执行多小时专业工作的代理被部署。然而，现有基准测试没有测试它们是否能够执行...
This material is provided as an extended analytical summary.
Read full article at sourceAggregated within AI Qazaqstan national intelligence stream with author attribution.
Related Intelligence
All stories →Исследования1 мин
Anthropic IPO 文件中的五个奇怪细节
Anthropic 最终向 SEC 提交了 S-1 招股说明书，该文件旨在让投资者了解其业务的幕后情况，包括其高管的收入、IPO 花费数十亿美元的计划，以及可能破坏其雄心壮志的风险。在超过…
The Verge — AI
Исследования1 мин
Anthropic’s IPO filing reveals its strategy for keeping enterprise customers hooked
Anthropic’s S-1 shows more than half of its $100,000-plus customers now use both the Claude Platform and a first-party app, a cross-selling playbook reminiscent of Amazon that’s making enterprise customers stickier.
TechCrunch — AI
Исследования1 мин
FairStress: тест на демографическую справедливость моделей
📌 FairStress: тест на демографическую справедливость моделей Институт Аллена опубликовал набор FairStress для проверки того, меняет ли языковая модель своё решение о человеке из-за его расы, пола, религии, возраста, инвалидности или ориентации в сферах найма, кредитования,…
Telegram — AI Machine Learning Big Data