معيار مرجعي
5 published articles
أبحاث الذكاء الاصطناعي
لماذا يهيمن GPT-5.5 على معيار يختبر كيف يحسن الوكلاء أنفسهم
يعزل EvoPolicyGym قدرة حرجة ولكنها غير مدروسة بشكل كافٍ: قدرة الوكيل على تحسين سياسة قابلة للتنفيذ من خلال تعديلات متكررة مقيدة بردود الفعل. يكشف المعيار أن GPT-5.5 هو أقوى أداء عبر 16 بيئة، ويوفر تشخيصات على مستوى المسار تكشف كيف تخصص الوكلاء المختلفون الميزانية ويحولون ردود الفعل إلى معلمات مضبوطة.
2026-07-11
بحث في الذكاء الاصطناعي
مساعدك الذكي ينساك كل صباح. هذا المعيار يثبت ذلك.
يختبر VitaBench 2.0 ما إذا كان بإمكان وكلاء الذكاء الاصطناعي استخراج تفضيلات المستخدم وتحديثها باستمرار من التفاعلات المجزأة بمرور الوقت. تُظهر النتائج أن حتى النماذج المتطورة تكافح لبناء نماذج مستخدم دائمة، مما يكشف فجوة واسعة بين كفاءة الدردشة والذكاء التعاوني الحقيقي.
2026-07-11
إصدار نموذج ذكاء اصطناعي
مينيماكس تطلق نموذج M2.7 بمهارات قوية في هندسة البرمجيات والإنتاجية المكتبية
يقدم نموذج M2.7 من مينيماكس نتائج قوية في معايير هندسة البرمجيات والمهام المكتبية المهنية، مع معدل التزام بالمهارات بنسبة 97% على التعليمات المعقدة ودرجة ELO تبلغ 1495 على GDPval-AA.
2026-07-08
تكنولوجيا المناخ
المرحلة الأولى من AIMIP: معيار جديد لاختبار نماذج الذكاء الاصطناعي المناخية
يوفر مشروع المرحلة الأولى من AIMIP، الذي يضم مجموعات من NVIDIA وGoogle Research وغيرها، مجموعة بيانات مفتوحة وإطار تقييم لنماذج المناخ القائمة على الذكاء الاصطناعي. بينما تعيد هذه النماذج إنتاج أنماط المناخ التاريخية بدقة، تظل قدرتها على التعميم في ظروف غير مألوفة تحدياً رئيسياً.
2026-07-03
المعيار
أداة GauntletBench من أكسفورد تختبر وكلاء الذكاء الاصطناعي في 100 مهمة حقيقية. لقد فشلوا في 81% منها.
تضع أداة GauntletBench من أكسفورد وكلاء الذكاء الاصطناعي أمام 100 مهمة صعبة من العالم الحقيقي. لا تتجاوز قدرة الأنظمة الحدودية 19.1% من النجاح، وهو أقل بكثير من الأداء البشري. يستهدف المعيار القدرات المهملة في الإدراك الزمني والفهم الرسومي والتفكير ثلاثي الأبعاد عبر خمسة تطبيقات مهنية.
2026-07-01