Caută în știri_

40 de rezultate pentru „benchmark”

• 20:12aiMăsurarea modului în care agenții AI gestionează activități obișnuite de laborator umedOpenAI a introdus BioBasicsBench, un benchmark cu 100 de sarcini conceput pentru a măsura cât de bine interpretează agenții AI date experimentale brute și gestionează activități obișnuite de laborator umed. Benchmarkul se concentrează pe evaluarea capacităților agenților în sarcini practice de cercetare biologică.
  
• 08:10aiOpenAI lansează BioBasicsBench pentru evaluarea AI în cercetarea de laboratorOpenAI a introdus BioBasicsBench, un benchmark cu 100 de sarcini pentru evaluarea agenților AI în cercetarea de laborator. Acesta testează dacă agenții pot interpreta date experimentale brute.
  
• 05.11 · 08:11aiUn nou benchmark open-source identifică raționamentul drept principalul blocaj al AI în operațiunile cloudTitlul articolului relatează că un nou benchmark open-source indică raționamentul drept principalul blocaj pentru AI folosită în operațiunile cloud. Textul furnizat nu include rezultate, metodologie sau detalii tehnice dincolo de această afirmație.
  
• 02.11 · 20:10aiMistral afirmă că modelul său AI „Le Chonk” a depășit China în cursa modelelor cu ponderi deschiseMistral afirmă că cel mai recent model AI al său, „Le Chonk”, egalează sau depășește modelele de top de la DeepSeek și Z.ai în programare și securitate cibernetică. Fragmentul furnizat nu include rezultate de benchmark, specificații tehnice sau detalii despre lansare care să permită evaluarea independentă a afirmației.
  
• 02.11 · 20:09aiOpenAI lansează benchmarkul LifeVal pentru sarcini cotidiene realizate cu AIOpenAI a introdus LifeVal, un benchmark conceput pentru a evalua cât de bine ajută sistemele AI la sarcinile cotidiene. Acesta acoperă domenii precum îngrijirea copiilor, finanțele personale și documentele administrative.
  
• 02.11 · 08:10aiMistral publică ponderile open ale Large 4, cu un avantaj redus la un benchmark de programareMistral a publicat joi pe Hugging Face ponderile modelului său frontieră Large 4. Potrivit articolului, modelul are un avantaj de un punct față de GLM-5.3 la un benchmark de programare, însă textul furnizat nu include alte detalii tehnice.
  
• 01.11 · 20:14hardwareTestarea CPU-ului Nvidia Vera pentru centre de date, în comparație cu Granite Rapids-AP și EPYC TurinNvidia a oferit acces la CPU-ul Vera pentru centre de date, care a fost testat în comparație cu procesoarele Granite Rapids-AP de la Intel și EPYC Turin de la AMD. Textul furnizat nu include rezultate ale benchmarkurilor sau specificații tehnice.
  
• 27.10 · 20:26web3CF Benchmarks aduce infrastructura de prețuri de pe Wall Street onchainCF Benchmarks aduce pe blockchain date de referință financiară consacrate, inclusiv date folosite de BlackRock. Serviciul ar putea permite dezvoltatorilor să creeze fonduri indexate, portofolii tokenizate și instrumente derivate bazate pe acești indici.
  
• 27.10 · 08:14aiOpenAI a înjumătățit prețul agentului său, dar raportul de siguranță a semnalat un riscOpenAI a lansat luni GPT-6.1 Terra, înjumătățind prețurile API și raportând îmbunătățiri la benchmarkurile de programare și utilizare a computerului. Titlul semnalează o problemă de siguranță identificată în raportul propriu al modelului, însă textul furnizat nu precizează despre ce este vorba.
  
• 26.10 · 08:17aiOpenMobile-2 arată că agenții open-source pentru smartphone-uri pot rivaliza cu modelele proprietareTitlul susține că OpenMobile-2 demonstrează că agenții open-source pentru smartphone-uri pot rivaliza cu modelele proprietare. Conținutul furnizat nu include detalii justificative, benchmarkuri, specificații tehnice sau informații despre lansare.
  
• 26.10 · 08:15aiNanbeige4.3-33B apare ca model open source și concurează cu Qwen3.8-27B la programareTitlul anunță lansarea open source a modelului Nanbeige4.3-33B și îl prezintă drept concurent pentru Qwen3.8-27B la programare. Conținutul furnizat nu include specificații tehnice, rezultate de benchmark sau alte detalii despre lansare.
  
• 25.10 · 08:15aiScorul OpenAI pentru migrarea COBOL a crescut semnificativOpenAI a anunțat rezultate de benchmark care indică o îmbunătățire semnificativă a celor mai recente modele în sarcini de migrare COBOL. Articolul nu oferă scoruri concrete, numele modelelor sau detalii tehnice.
  
• 23.10 · 08:14aiHy Memory 2.0 de la Tencent: un instrument open-source de scriere a memoriei pentru agenții AITencent a lansat Hy Memory 2.0, un sistem open-source care folosește un model specializat pentru a scrie și actualiza memoria persistentă a agenților AI. Pachetul include un model mixture-of-experts cu 30 de miliarde de parametri, un SDK Python și o aplicație desktop locală, însă rezultatele raportate la benchmarkuri nu au fost reproduse independent.
  
• 21.10 · 08:25hardwareModal alege procesoarele Nvidia Vera după teste interne care indică un debit de 2× față de Intel și AMDModal afirmă că testele sale interne au arătat că procesorul Nvidia Vera a obținut un debit de două ori mai mare decât cipurile Intel și AMD în sarcini de lucru cu agenți AI. Afirmația se referă la un anumit tip de sarcină, iar articolul nu oferă detalii suplimentare despre benchmark.
  
• 21.10 · 08:24hardwareUn APU AMD Zen 6 misterios, cu 24 GB de memorie LPDDR5, apare în benchmarkuriO mostră de inginerie a unui APU AMD Zen 6 a apărut în datele unui benchmark, cu șase nuclee CPU și 24 GB de memorie LPDDR5. O posibilă legătură cu un viitor Steam Deck nu este confirmată.
  
• 21.10 · 08:22hardwareAMD afirmă că EAGLE-4 rulează pe GPU-urile Instinct MI355X încă din prima ziAMD afirmă că tehnica sa de decodare speculativă EAGLE-4 este disponibilă pe GPU-urile Instinct MI355X prin SGLang și ATOM. Compania raportează îmbunătățiri în benchmarkuri față de decodarea obișnuită și spune că soluția include MTP integrat.
  
• 21.10 · 08:18aiOpenAI spune că GPT-6.1 Sol este mult mai bun la migrarea codului vechiTitlul relatează afirmația OpenAI că GPT-6.1 Sol este considerabil mai performant la migrarea codului vechi. Conținutul furnizat nu include detalii justificative, benchmark-uri, specificații tehnice sau informații despre lansare.
  
• 14.10 · 21:02hardwareTom's Hardware lansează aplicația oficială cu 30 de ani de acoperire techTom's Hardware a lansat aplicația sa oficială pentru mobil, oferind utilizatorilor o modalitate mai rapidă și mai eficientă de a accesa acoperirea extinsă a articolelor tech și datele de benchmark. Aplicația își propune să ofere acces convenabil la cei 30 de ani de expertiză ai publicației, oriunde s-ar afla utilizatorii.
• 14.10 · 09:09aiBenchmark-uri Gemini 4 Argon: Cum se compară noul model Google cu GPT-6 și ClaudeGoogle susține că noul său model Gemini 4 Argon depășește rivalii de top precum GPT-6 și Claude pe majoritatea benchmark-urilor, în special în munca profesională de cunoaștere și codare. Cu toate acestea, testele independente confirmă parțial rezultatele Google, competitorii continuând să exceleze în domenii specifice precum ingineria software și sarcinile bazate pe terminal.
• 14.10 · 09:00aiAssemblyAI lansează Voice Standard Bench pentru optimizarea costurilor LLM pentru sarcini vocaleAssemblyAI a lansat Voice Standard Bench, un nou instrument conceput pentru a ajuta echipele să reducă costurile asociate cu modelele lingvistice mari (LLM) pentru sarcini legate de voce. Benchmark-ul clasifică peste 50 de modele în funcție de calitate, viteză și cost, permițând un rutare mai eficientă a sarcinilor de lucru.
• 12.10 · 21:15aiTensor Machines lansează un benchmark open-source pentru eficiența infrastructurii AITensor Machines a lansat un benchmark open-source menit să evalueze eficiența infrastructurii AI. Acest instrument își propune să ofere dezvoltatorilor și organizațiilor o metodă standardizată pentru a măsura și compara performanța stivelor lor hardware și software AI.
• 10.10 · 21:08hardwarePerformanța în Gaming a Windows 7 Testată pe Hardware Modern Comparativ cu Windows 11Un test recent a explorat performanța în gaming a Windows 7 pe un PC modern, comparând-o cu Windows 11. Experimentul a instalat sistemul de operare vechi de 17 ani pe hardware actual și l-a benchmark-uit în zece titluri DirectX.
• 09.10 · 09:29roboticsHiPHI: Un Benchmark la Scară Largă pentru Mișcarea Umană de Înaltă Precizie și Interacțiunea cu ObiecteA fost lansat un nou set de date la scară largă pentru capturarea mișcării, numit HiPHI, pentru a aborda deficitul de date în învățarea roboților umanoizi, permițând o mai bună antrenare pentru AI-ul încorporat. Setul de date acoperă sistematic o gamă largă de mișcări ale întregului corp și interacțiuni sincronizate cu obiecte, esențiale pentru învățarea roboților a sarcinilor din lumea reală.
• 09.10 · 09:21aiTensor Machines lansează un benchmark open-source pentru a măsura costul real al calculului AITensor Machines a lansat un benchmark open-source conceput pentru a măsura cu precizie costul real al calculului AI, răspunzând unei nevoi critice de transparență în industrie. Acest instrument își propune să ofere dezvoltatorilor și cercetătorilor o metodă standardizată de evaluare a implicațiilor financiare ale antrenării și rulării modelelor AI.
• 09.10 · 09:12aiUn ochi mai ager nu a făcut un model mai atentUn nou test de benchmarking dezvăluie că modelele AI actuale întâmpină dificultăți în a diferenția între sarcini legitime și intenții malițioase, chiar și atunci când li se prezintă același puzzle vizual. Modelele refuză adesea să execute sarcini atunci când sunt etichetate ca CAPTCHA-uri sau pentru crearea de conturi în masă, dar ratele lor de refuz variază semnificativ, indicând o lipsă de înțelegere nuanțată.
• 06.10 · 21:31devCopilot conduce benchmark-ul GitHub pentru revizuirea codului AI, dar testele independente arată un rezultat diferitGitHub Copilot a fost raportat ca fiind lider în propriul benchmark intern pentru revizuirea codului asistată de AI. Cu toate acestea, un benchmark independent realizat de o terță parte sugerează o performanță diferită, ridicând întrebări despre fiabilitatea metricilor auto-raportate în spațiul în rapidă evoluție al dezvoltării AI.
• 06.10 · 21:31devReviewBench: Un benchmark deschis pentru agenți de revizuire a codului AIGitHub a lansat ReviewBench, un benchmark deschis conceput pentru a evalua agenții AI însărcinați cu revizuirea codului. Acest nou benchmark utilizează cereri de pull GitHub reprezentative și date de referință multi-sursă pentru a oferi evaluări calibrate, aliniate cu metricile de producție.
• 05.10 · 21:16devTechCrunch Disrupt 2026 își finalizează programul pe scenă cu lideri din industrieTechCrunch a anunțat programul complet pentru scena Disrupt 2026, incluzând personalități proeminente precum Max Hodak și Mark Wahlberg, alături de parteneri de la Benchmark. Conferința promite trei zile de discuții exclusive și perspective.
• 05.10 · 21:03aiÎncercările de a menține Oamenii în Bucla AI Pot, de Fapt, să-i ExcludăCercetători de top în etica AI susțin că practicile actuale de a menține oamenii în buclă pentru a revizui deciziile AI eșuează și îi pot exclude pe utilizatori. Această deficiență de supraveghere, exacerbată de accentul pus pe benchmark-uri AI precum viteza și acuratețea, poate duce la acțiuni AI neintenționate și la o pierdere pe termen lung a controlului cognitiv uman.
• 05.10 · 20:03hardwareAMD Anticipă Lansarea RTX Spark cu Benchmark-uri pentru Gorgon HaloAMD a publicat rezultatele benchmark-urilor pentru noul său cip Gorgon Halo, Ryzen AI Max+ Pro 495, înaintea lansării anticipate a RTX Spark. Aceste benchmark-uri au scopul de a demonstra performanța cipului în sarcini legate de AI.
• 02.10 · 21:03aiGemini 4 Argon pe primul loc în Arena AI, dar articolul original omite detalii crucialeUn articol recent a subliniat clasamentul de top al Gemini 4 Argon pe Arena AI, menționând capacitatea sa de 1 milion de tokeni și rata scăzută de halucinații. Cu toate acestea, o analiză mai aprofundată dezvăluie că acest clasament nu reflectă performanța pe toate benchmark-urile, iar metricile raportate, precum rata de halucinații și prețul, sunt prezentate cu un context crucial omis din raportul original.
• 02.10 · 09:11aiBenchmark-ul open-source Livenerf urmărește schimbările de performanță ale modelelor AI după lansareA fost dezvoltat un nou benchmark open-source numit Livenerf pentru a monitoriza performanța modelelor AI după lansarea lor inițială. Acest instrument își propune să detecteze regresii sau îmbunătățiri în comportamentul modelelor în timp, asigurând fiabilitate și consistență.
• 01.10 · 21:10hardwareBenchmark-urile Gears of War E-Day pe dispozitive portabile arată performanțe slabe pe Steam DeckEdiția Premium a jocului Gears of War: E-Day a fost lansată, generând primele benchmark-uri de performanță pe dispozitivele portabile de gaming. Testele inițiale indică faptul că Steam Deck întâmpină dificultăți în a atinge performanțe satisfăcătoare în noul titlu.
• 01.10 · 09:04aiNoul model AI frontier de la Google, Gemini 4 Argon, este lansat inițial pentru apărătorii ciberneticiGoogle a început implementarea noului său model AI frontier, Gemini 4 Argon, pentru apărătorii cibernetici verificați și membrii programului Fairwind. Acest model avansat depășește modelele concurente de la Anthropic și OpenAI pe mai multe benchmark-uri cheie ale Google. Lansarea inițială prioritizează profesioniștii în securitate, indicând un accent strategic pe utilizarea AI pentru capacități îmbunătățite de apărare cibernetică.
• 30.09 · 21:26hardwareBenchmark-urile The Witcher 3 Remastered arată că path tracing este un "ucigaș de CPU", iar cipurile X3D conduc în performanțăThe Witcher 3 Remastered, lansat ieri ca o actualizare gratuită, introduce îmbunătățiri grafice semnificative, inclusiv path tracing. Benchmark-urile indică faptul că path tracing solicită puternic CPU-ul, procesoarele X3D de la AMD demonstrând performanțe superioare în aceste scenarii solicitante.
• 30.09 · 20:03roboticsNoul benchmark testează memoria AI pentru roboții casniciA fost dezvoltat un nou benchmark pentru a evalua capacitățile de memorie ale sistemelor AI în roboții casnici, esențial pentru funcționarea lor eficientă. Fără o memorie suficientă, acești roboți riscă să provoace mai mult rău decât bine, mutând obiecte importante.
• 29.09 · 21:16aiLansarea Claude Sonnet 5.5: Capabilități de Programare Depășesc Modelul Principal, Prețul API-ului ÎnjumătățitAnthropic a lansat Claude Sonnet 5.5, o nouă versiune a modelului său AI care îmbunătățește semnificativ capabilitățile de programare, depășind chiar și modelul principal în anumite benchmark-uri. Această lansare include, de asemenea, o reducere substanțială a prețurilor API, făcând AI-ul avansat mai accesibil.
• 29.09 · 09:06aiAnthropic lansează Claude Sonnet 5.5 cu performanță îmbunătățităAnthropic a lansat Claude Sonnet 5.5, o nouă versiune a modelului său AI, demonstrând o îmbunătățire semnificativă a performanței prin atingerea a 70.6% pe benchmark-ul Terminal-Bench 4.0. Această lansare menține aceeași structură de preț ca predecesorul său, oferind un upgrade eficient din punct de vedere al costurilor pentru utilizatori.
• 29.09 · 09:01hardwareSnapdragon 8 Elite Extreme Gen 6 impresionează în primele benchmark-uriNoul Snapdragon 8 Elite Extreme Gen 6 a apărut în primele benchmark-uri, arătând îmbunătățiri semnificative față de predecesorul său. Noul SoC flagship de la Qualcomm a atins scoruri record în AnTuTu, subliniind îmbunătățiri considerabile atât la performanța CPU, cât și la cea GPU.
• 28.09 · 09:13hardwareEntuziast a 'răcit' iPhone 18 Pro cu apă minerală, obținând un spor de performanță de 25%Un entuziast a testat performanța unui iPhone 18 Pro plasând o doză rece de apă minerală pe spatele acestuia în timpul unei sesiuni extinse de benchmarking. Experimentul a demonstrat că această metodă neconvențională de 'răcire lichidă' a dus la o performanță susținută cu până la 25% mai mare.