Testing Catalog@testingcatalogApodex has released Apodex 1.1, a model family for long-horizon work that moves reasoning out of res…
DịchApodex 1.1 vừa trình làng, tối ưu hóa cho các quy trình làm việc phức tạp với khả năng xử lý tài liệu, tìm kiếm và lập trình. Mô hình này vượt trội hơn phiên bản cũ gấp đôi trong các bài kiểm tra về tác nhân tự hành và nghiên cứu khoa học.
Rohan Paul@rohanpaul_aiAnother paper that so clearly exposes AI's long-horizon problem. Long-Horizon-Terminal-Bench, where…
DịchKết quả từ Long-Horizon-Terminal-Bench cho thấy 17 mô hình AI tiên tiến nhất hiện nay gặp khó khăn lớn với các tác vụ phức tạp, khi phần lớn thất bại do quá tải thời gian và không thể duy trì logic qua hàng trăm bước thực hiện.
Rohan Paul@rohanpaul_aiAI coding agents can spend hours on a task without a calibrated sense of time passing. Long-horizon…
DịchChuyên gia cảnh báo các AI lập trình thường làm việc liên tục mà không kiểm soát được thời gian. Do đó, các bài kiểm tra cần đo lường trực tiếp khả năng quản lý thời gian thay vì chỉ dựa vào kết quả công việc để đánh giá hiệu quả.
