#评测/基准
#评测/基准
今日 14 条
OpenAI 发布 GPT-Rosalind-5.5 模型，专注于生命科学领域
推荐理由：OpenAI 发布了 GPT-Rosalind-5.5，这是一个针对生命科学领域进行增量训练的模型，具有高级生物信息学能力，并采用了严格的安全和访问控制措施。
编码智能体推理性能基准测试
推荐理由：原文提供了关于编码智能体推理性能的基准测试，读者可以了解不同引擎的性能差异。
思考机器实验室发布交互模型：可扩展的人机协作方法
推荐理由：原文提出了交互模型的概念，并展示了其在智能和响应性方面的最新进展，读者可以了解交互模型如何改变现有工作流。
τ-voice：在真实任务上评估实时语音智能体
推荐理由：该研究提出了一个结合任务完成和对话动态的语音智能体基准测试，有助于评估语音智能体在实际任务中的表现。
ARC-AGI-3 分析：GPT-5.5 与 Opus 4.7 的评测
推荐理由：ARC-AGI-3 评测工具揭示了 GPT-5.5 和 Opus 4.7 在处理新颖环境时的失败模式，为理解大型语言模型的能力和局限性提供了重要见解。
Sierra 发布开源多语言语音识别基准 μ-Bench
推荐理由：μ-Bench 提供了一个多语言语音识别基准，有助于评估不同模型在不同语言上的表现，对语音识别领域具有重要意义。
ARC Prize Foundation 发布 ARC-AGI-3 人工智能基准测试及人类测试数据集
推荐理由：ARC Prize Foundation 发布了 ARC-AGI-3 的人工智能基准测试，并公开了人类测试数据集，为研究人类和人工智能的学习能力提供了重要参考。
ConvApparel：衡量和弥合用户模拟器中的现实差距
推荐理由：ConvApparel 数据集和评估框架为衡量和缩小用户模拟器的现实差距提供了工具，有助于提高对话式 AI 的可靠性。
OpenAI 发布模型规范评估套件 Model Spec Evals
推荐理由：OpenAI 发布了 Model Spec Evals，这是一个用于评估模型遵循 OpenAI 模型规范的程度的新评估套件，有助于提高模型行为的可解释性和可预测性，并为研究社区提供有价值的反馈。
ARC-AGI-3 发布：前沿智能体智能的新挑战
推荐理由：ARC-AGI-3 作为首个完全交互的基准测试，旨在衡量智能体智能的前沿水平，对读者了解 AI 探索、学习和适应未知情况的能力具有重要意义。
Sierra 发布 𝜏³-Bench：推动智能体基准评估至知识与语音
推荐理由：原文介绍了 𝜏³-Bench 的扩展，包括 𝜏-Knowledge 和 𝜏-Voice，这些扩展为评估智能体在复杂知识库和实时语音交互中的能力提供了新的基准。
OpenAI 发现现实世界 AI 偏差
推荐理由：原文展示了如何通过分析用户对话来检测和诊断AI模型中的未知偏差，对理解AI安全具有重要意义。
OpenAI 发布 GPT-5.3-Codex 模型
推荐理由：OpenAI 发布了 GPT-5.3-Codex，介绍了其在不同领域的表现和安全性评估，读者可以了解其能力变化和风险控制措施。
