Populární témata
#
Bonk Eco continues to show strength amid $USELESS rally
#
Pump.fun to raise $1B token sale, traders speculating on airdrop
#
Boop.Fun leading the way with a new launchpad on Solana.
Zhiqing Sun
Výzkumný pracovník @OpenAI porozumění vesmíru školením LLM. Dříve: @Google PhD Fellow, @LTIatCMU, @PKU1898
Slyšel jsem, že zpětnovazební učení funguje pouze s ověřitelnými odměnami? 😛 Gratulace!!
19. 7. 15:50
1/N S potěšením se s vámi podělím o to, že naše nejnovější @OpenAI experimentální uvažování LLM dosáhlo dlouhodobé velké výzvy v oblasti umělé inteligence: výkonu na úrovni zlaté medaile na nejprestižnější matematické soutěži na světě – Mezinárodní matematické olympiádě (IMO).
31,11K
Právě jsem to zkusil a agent vyřešil úroveň 1 ve svém vlastním prohlížeči lol. Děkujeme za vytvoření benchmarku!
19. 7. 01:26
O3 (vlevo) a Grok 4 (vpravo) níže
spoiler: ani jeden z nich nedokončí ani jednu úroveň
98,86K
Vydáváme soubor BrowseComp, což je zkratka pro Soutěž v prohlížení. 🏎️
Představte si to jako soutěže v programování nebo matematice – i když tyto soutěže nemusí dokonale odrážet skutečnou SWE nebo matematický výzkum, zachycují jiskru inteligence.
To je měřítko, o které bychom se měli zajímat při hodnocení inteligence agentů pro prohlížení podobných hloubkovému výzkumu.
11. 4. 2025
We’re open-sourcing BrowseComp (“Browsing Competition”), a new, challenging benchmark designed to test how well AI agents can browse the internet to find hard-to-locate information.
It’s like an online scavenger hunt…but for browsing agents.
464,57K
Top
Hodnocení
Oblíbené