Tag: Evaluation

1. BenchMIRT dari Ai2 membedah apa yang sebenarnya diukur benchmark LLM (huggingface.co)
   AI · 1 hari lalu · 12 September 2026
2. Astra ungguli manusia di satu metrik ARC-AGI yang tadinya diyakini aman (arcprize.org)
   AI · 1 minggu lalu · 4 September 2026
3. Epoch: model reasoning lebih dari melipatgandakan laju kemajuan AI (epoch.ai)
   AI · 1 minggu lalu · 4 September 2026
4. OpenAI rilis GPT-6 Astra untuk menantang Claude Fable (openai.com)
   AI · 1 minggu lalu · 4 September 2026
5. K2 Horizon rilis enam model terbuka penuh dari 0,9B sampai 375B (ifm.ai)
   AI · 1 minggu lalu · 4 September 2026
6. Model sama, sembilan harness, biaya beda 17 kali lipat (frontierharness.org)
   AI · 1 minggu lalu · 3 September 2026
7. 215.000 halaman buatan mesin menyusup ke jawaban Perplexity (trellner.com)
   AI · 1 minggu lalu · 3 September 2026
8. DeepMind uji model frontier tanpa satu pihak pun bisa mengintip (deepmind.google)
   AI · 1 minggu lalu · 1 September 2026
9. DeepMind uji model frontier lewat benchmark double-blind (deepmind.google)
   AI · 2 minggu lalu · 29 Agustus 2026
10. Sembilan pertanyaan yang ingin dijawab Epoch lewat benchmark AI (epoch.ai)
    AI · 2 minggu lalu · 27 Agustus 2026
11. Uji yang lebih ketat temukan mayoritas GPU kernel buatan LLM cacat (arxiv.org)
    AI · 4 minggu lalu · 15 Agustus 2026
12. Menulis panjang jadi titik lemah AI, kata Nathan Lambert (interconnects.ai)
    AI · 1 bulan lalu · 14 Agustus 2026
13. Menebak batas pengetahuan asli model frontier lewat kuis dan prompt identitas (blog.sshh.io)
    AI · 1 bulan lalu · 11 Agustus 2026
14. Bahaya cyber AI: masalahnya bukan model, tapi kita belum siap (interconnects.ai)
    AI · 1 bulan lalu · 10 Agustus 2026
15. Tiga lab kini punya model yang menyerang sistem nyata saat diuji (simonwillison.net)
    AI · 1 bulan lalu · 7 Agustus 2026
16. Model suara pandai bicara, tapi buruk mendengarkan (huggingface.co)
    AI · 1 bulan lalu · 26 Juli 2026
17. Agent AI kini menuntaskan 16 persen pekerjaan freelance nyata, naik dari 2,5 (safe.ai)
    AI · 2 bulan lalu · 15 Juli 2026
18. Kenapa harga per satu juta token hampir tak berarti (janilowski.pl)
    AI · 2 bulan lalu · 7 Juli 2026
19. Benchmark GeneBench-Pro ungkap AI masih lemah di analisis biologi nyata (openai.com)
    AI · 2 bulan lalu · 5 Juli 2026
20. DSPy membongkar bug tersembunyi di prompt sebuah agent (simonwillison.net)
    AI · 2 bulan lalu · 3 Juli 2026
21. Benchmark baru: agent membangun ulang software yang butuh berminggu-minggu kerja manusia (epoch.ai)
    AI · 2 bulan lalu · 30 Juni 2026
22. Model open-weight GLM-5.2 ungguli Claude Code di tes bug kontrol akses (semgrep.dev)
    Security · 2 bulan lalu · 29 Juni 2026
23. Perubahan API yang membantu model besar bisa merusak model kecil (huggingface.co)
    AI · 2 bulan lalu · 21 Juni 2026
24. GLM-5.2 jadi model open-weight terkuat saat ini (artificialanalysis.ai)
    AI · 2 bulan lalu · 18 Juni 2026
25. OpenAI prediksi perilaku model dengan memutar ulang percakapan nyata (openai.com)
    AI · 2 bulan lalu · 18 Juni 2026
26. olmo-eval dari AI2 membawa standar statistik ke loop pengembangan model (huggingface.co)
    AI · 3 bulan lalu · 13 Juni 2026
27. Claude bikin rsync lebih bug? Datanya bilang tidak (alexispurslane.github.io)
    AI · 3 bulan lalu · 5 Juni 2026
28. Microsoft ASSERT mengubah spek perilaku berbahasa biasa menjadi tes AI (techcrunch.com)
    Engineering · 3 bulan lalu · 4 Juni 2026
29. Riset Princeton bedah klaim Google soal agent AI yang bangun OS $916 (normaltech.ai)
    AI · 3 bulan lalu · 30 Mei 2026
30. Benchmark baru menyuruh agent menambal Kubernetes, dan tak satu pun lulus (huggingface.co)
    AI · 3 bulan lalu · 27 Mei 2026
31. Papan peringkat terbuka untuk sistem agent utuh, bukan cuma model (huggingface.co)
    AI · 3 bulan lalu · 19 Mei 2026
32. Ai2 menyiapkan tolok ukur bersama untuk model cuaca AI (allenai.org)
    AI · 3 bulan lalu · 18 Mei 2026
33. Open ASR Leaderboard tambah data rahasia untuk lawan kecurangan benchmark (huggingface.co)
    AI · 3 bulan lalu · 18 Mei 2026
34. Menguji AI di dunia nyata, bukan cuma di benchmark (normaltech.ai)
    AI · 3 bulan lalu · 17 Mei 2026
35. Pilihan benchmark menentukan apakah open model dianggap jauh tertinggal (interconnects.ai)
    AI · 4 bulan lalu · 16 Mei 2026
36. Satu angka benchmark menyembunyikan pekerjaan apa yang benar-benar dikuasai model (interconnects.ai)
    AI · 4 bulan lalu · 20 April 2026
37. DeepMind usulkan kerangka kognitif untuk mengukur kemajuan menuju AGI (blog.google)
    AI · 6 bulan lalu · 17 Maret 2026
38. Uji Tabrak GPT-4: Evaluasi Kapabilitas Berbahaya Pertama (asteriskmag.com)
    AI · 3 tahun lalu · 1 Juni 2023

← semua tag