حقق نموذج Grok 4 من xAI نتيجة 15.9% في معيار Arc-AGI2، متفوقًا على GPT5 من OpenAI الذي حقق نتيجة 9.9%.
| Benchmark | النموذج | الدرجة |
|---|---|---|
| ARC-AGI 2 | Grok 4 | 15.9% |
تدعي DeepSeek أن نموذجها الجديد المتاح بشكل عام، DeepSeek V4 Flash، يحقق تكافؤًا في الأداء مع Anthropic's Sonnet 5 و xAI's Grok 4.5 على مقياس DeepSWE.
حقق GPT-5 Pro التابع لـ OpenAI رقماً قياسياً جديداً في معيار FrontierMath Tier 4 من خلال حل مشكلة رياضية إضافية على مستوى البحث مقارنة بـ Gemini 2.5 Deep Think التابع لـ Google. تضمن التقييم التقييم اليدوي لإعدادات نماذج مكثفة الحوسبة الثلاثة على 50 مشكلة شديدة الصعوبة طورها رياضياتيون محترفون.
أدى تمكين إعدادين محددين لواجهة برمجة التطبيقات لـ GPT-5.6 إلى مضاعفة نتائج أدائه ثلاث مرات على معيار ARC-AGI-3.
تكشف مقارنة بين كيمي K3 وجي بي تي-5.6 سول على معيار DeepSWE أنه بينما يتصدر جي بي تي-5.6 سول في جودة المحاولة الواحدة (72.7% مقابل 68.5%)، يحقق كيمي K3 نتائج أعلى في درجات pass@k لـ k > 1 بتكلفة أقل بكثير.
طوّر الباحثون Intern-BioBreaker، وهو نموذج متخصص لاختبار الاختراق الحيوي (bio-red-teaming)، لتقييم المخاطر البيولوجية لنماذج اللغات الكبيرة المتقدمة من خلال اقتران اختبار الإجهاد الحسابي بالتحقق المختبري. أظهرت الدراسة أنه يمكن حث النماذج المُحاذاة على تقديم إرشادات تشغيلية لمهام حساسة للسلامة، وإنشاء مخرجات على مستوى التسلسل ذات خصائص ضارة.
نستخدم ملفات تعريف الارتباط لقياس الزيارات وتحسين الموقع. يمكنك قبول أو رفض ملفات تعريف الارتباط الخاصة بالتحليلات. سياسة الخصوصية