Články podle tagu: llm-evaluation

Kaggle Benchmarks: jak testovat kognitivní schopnosti AI

Zjistěte, jak Kaggle Benchmarks mění pravidla hry: vytvářejte vlastní testy pro AI, měřte pozornost, plánování a sociální inteligenci. Začněte zdarma.

Benchmark ARC-AGI-3: umělá inteligence na 0,26 % proti 100 % lidí

Rozbor ARC-AGI-3: interaktivní testy na inteligenci agentů. Výsledky GPT-5.4, Gemini, srovnání s lidmi. Studujte metriku RHAE a příčiny selhání LLM. Pro vývojáře umělé inteligence.

14 benchmarků LLM: rozbor a kritika

Podrobná analýza SWE-bench, Terminal-Bench, τ² a dalších testů pro LLM. Zjistěte slabiny a relevanci pro dev úkoly. Vyberte model vědomě.