référence
5 published articles
Recherche en IA
Pourquoi GPT-5.5 domine un benchmark qui teste comment les agents s'améliorent eux-mêmes
EvoPolicyGym isole une capacité critique mais peu étudiée : la capacité d'un agent à affiner une politique exécutable par des modifications répétées sous contrainte de rétroaction. Le benchmark révèle GPT-5.5 comme le plus performant dans 16 environnements, et fournit des diagnostics au niveau des trajectoires qui exposent comment différents agents allouent leur budget et convertissent la rétroaction en paramètres ajustés.
2026-07-11
Recherche en IA
Votre assistant IA vous oublie chaque matin. Ce benchmark le prouve.
VitaBench 2.0 teste si les agents IA peuvent extraire et mettre à jour en continu les préférences des utilisateurs à partir d’interactions fragmentées dans le temps. Les résultats montrent que même les modèles les plus performants peinent à construire des modèles utilisateur persistants, révélant un large écart entre la compétence des chatbots et une véritable intelligence collaborative.
2026-07-11
Sortie de modèle d'IA
MiniMax lance le modèle M2.7 avec de solides compétences en génie logiciel et en productivité bureautique
Le modèle M2.7 de MiniMax offre des résultats solides dans les benchmarks de génie logiciel et les tâches professionnelles de bureau, avec un taux d'adhésion aux compétences de 97 % sur des instructions complexes et un score ELO de 1495 sur GDPval-AA.
2026-07-08
Technologie climatique
AIMIP phase 1 : un nouveau benchmark pour tester les modèles climatiques IA
Le projet AIMIP Phase 1, impliquant des groupes de NVIDIA, Google Research et d'autres, fournit un ensemble de données ouvert et un cadre d'évaluation pour les modèles climatiques IA. Si ces modèles reproduisent avec précision les schémas climatiques historiques, leur capacité à généraliser à des conditions inconnues reste un défi majeur.
2026-07-03
Référentiel
GauntletBench d'Oxford soumet les agents IA à 100 tâches réelles. Ils ont échoué dans 81 % d'entre elles.
Le GauntletBench d'Oxford soumet les agents IA à 100 tâches réelles difficiles. Les systèmes de pointe plafonnent à 19,1 % de succès, bien en dessous des performances humaines. Le référentiel cible des capacités négligées en perception temporelle, compréhension graphique et raisonnement 3D dans cinq applications professionnelles.
2026-07-01