Dasturlash bo'yicha AI agentlarini baholovchi sinov to'plamida xatoliklar aniqlandi. 23 nafar muhandis imtihondagi topshiriqlarni tuzatish uchun 404 soat sarfladi. Tizim yangilangunga qadar AI agentlari topshiriqlarning 99,4 foizini bajargani aytilgan edi.
Sarlavha va xulosa asl maqola asosida sun'iy intellekt yordamida o'zbekchada tayyorlangan. To'liq matnni manbadan o'qing.
Vals AI tahliliga ko'ra, Thinking Machines kompaniyasining Inkling 2 Small AI modeli 2 655 ta sinov to'plami davomida 316 marta so'kingan. Bu holat asosan barbod bo'lgan uzoq topshiriqlarda kuzatilgan. Muvaffaqiyatsiz bajarilgan topshiriqlarning 96 foizida so'kinish bo'lmagan.
Nous Research Alibaba kompaniyasining Qwen3.8-27B modelini moslashtirib, Arete-27B modelini yaratdi. Qo'shimcha o'qitish natijasida modeldagi targ'ibot darajasi 22 foizdan bir foizdan kamga tushdi.
Tadqiqotga ko'ra, neyron tarmoqlar tomonidan berilgan havolalarning aksariyati haqiqiy bo'lib, ular to'qib chiqarilmagan. Ishlamaydigan havolalar ko'pincha o'chirilgan maqolalarga tegishli bo'ladi.
Meta AI yangi yangilanish orqali kamroq unutadigan va kamroq taslim boʻladigan boʻladi. Bu yangilanish uning samaradorligini oshirishga qaratilgan.
