Tag: Benchmarks

1. LLM masih goyah menilai apakah sebuah ide riset benar-benar baru (huggingface.co)
   AI · 4 hari lalu · 30 Oktober 2026
2. Nathan Lambert soal apa yang bisa dan tidak bisa dikatakan sebuah benchmark AI terkemuka (interconnects.ai)
   AI · 5 hari lalu · 29 Oktober 2026
3. Model AI sudah bisa menamatkan Slay the Spire, tapi baru mode mudah (epoch.ai)
   AI · 1 minggu lalu · 23 Oktober 2026
4. Benchmark AI hanya mengukur sepotong kecil pekerjaan nyata (mercor.com)
   AI · 2 minggu lalu · 17 Oktober 2026
5. ThinkingBox menilai AI agent dari kondisi database, bukan dari transkrip (huggingface.co)
   AI · 3 minggu lalu · 9 Oktober 2026
6. Kemampuan AI cek kesalahan rakit IKEA melonjak dari 28% ke 80% (epoch.ai)
   AI · 1 bulan lalu · 24 September 2026
7. GPT-6 Astra unggul secara keseluruhan tapi kalah dari Claude untuk coding (epoch.ai)
   AI · 1 bulan lalu · 21 September 2026
8. Benchmark 68 soal Erdős tak terpecahkan yang sulit diakali model (epoch.ai)
   AI · 1 bulan lalu · 14 September 2026
9. SWE-2 dari Cognition mengejar biaya per tugas, bukan skor tertinggi (cognition.com)
   AI · 1 bulan lalu · 11 September 2026
10. DeepMind uji model frontier lewat benchmark double-blind (deepmind.google)
    AI · 2 bulan lalu · 29 Agustus 2026
11. Sembilan pertanyaan yang ingin dijawab Epoch lewat benchmark AI (epoch.ai)
    AI · 2 bulan lalu · 27 Agustus 2026
12. Agent masih gagal di sebagian besar migrasi Java enterprise (huggingface.co)
    AI · 4 bulan lalu · 3 Juli 2026

← semua tag