#benchmarks — tin AI mới nhất

Cộng đồng Hacker News chia sẻ nghiên cứu: Benchmark AI chưa bao phủ tốt 90% giờ làm việc tại Mỹ — Một “Bản đồ Benchmark” mới cho rằng các bài đánh giá AI hiện nay chỉ bao phủ một phần nhỏ công việc được thực hiện trong nền kinh tế Mỹ. Nhóm nghiên cứu đã đối chiếu 29 benchmark với 923 nghề và…
LangChain hướng dẫn cách đánh giá agent AI trước và sau khi triển khai — LangChain đã công bố hướng dẫn thực hành về cách đánh giá agent AI, vốn có thể tạo ra câu trả lời khác nhau, chọn các chuỗi hành động khác nhau và sử dụng công cụ theo những cách khó kiểm thử bằng…
Cộng đồng Reddit theo dõi hiệu năng Claude Opus 5.5 và chưa thấy bằng chứng rõ về việc bị “nerf” — Một người dùng Reddit đang theo dõi hiệu năng Claude Opus 5.5 mỗi ngày với dự án LiveNerf để kiểm tra liệu Anthropic có giảm khả năng của mô hình sau khi phát hành hay không. Sau 20 ngày, dữ liệu…
Cộng đồng LocalLLaMA cho rằng mô hình open-weight của Trung Quốc chỉ chậm hơn mô hình đóng của Mỹ khoảng 7 tháng — Một bảng xếp hạng do cộng đồng xây dựng cho rằng các mô hình ngôn ngữ open-weight của Trung Quốc chỉ đang chậm khoảng 7 tháng so với những mô hình đóng hàng đầu của Mỹ. Người tạo bảng cho biết phân…
Nghiên cứu đối chiếu 10 phương pháp self-distillation cho reinforcement learning của AI agent — Một nghiên cứu mới đánh giá 10 phương pháp self-distillation để huấn luyện AI agent bằng reinforcement learning, đồng thời so sánh chúng với GRPO trên ALFWorld, ScienceWorld, Search-QA và WebShop.…
LangChain báo cáo đưa agent lập trình từ Top 30 lên Top 5 trên Terminal Bench 2.0 nhờ cải tiến harness — LangChain cho biết họ đã nâng điểm của agent lập trình deepagents-cli từ 52.8 lên 66.5 trên Terminal Bench 2.0, đưa hệ thống từ khoảng Top 30 lên Top 5, trong khi giữ nguyên model GPT-5.2-Codex.…
Bài đăng LocalLLaMA cho rằng 4 GPU Tesla V100 vượt M5 Ultra và DGX Spark ở một số bài đo suy luận AI — Một bài đăng trên LocalLLaMA cho rằng bốn GPU NVIDIA Tesla V100 gắn trên bo mạch NVLink vượt Apple M5 Ultra và NVIDIA DGX Spark tới 230% trong một số bài đo hiệu năng suy luận AI. Người đăng hỏi…
AAArena đánh giá khả năng agent AI tự cải thiện chiến lược qua các giải đấu game kéo dài — Các nhà nghiên cứu đề xuất Học Heuristic Đối kháng (AHL), một phương pháp trong đó agent AI cải thiện các chính sách chơi game có thể thực thi và phần mềm hỗ trợ dựa trên kinh nghiệm, trong khi vẫn…