#benchmark
10 публикаций
Как 9 ИИ-агентов справились с задачами на разрушение
🧪 В новом эксперименте по тестированию ИИ-агентов 9 моделей получили возможность выбора между безопасным и разрушительны...
Как два крупных AI-лаборатории тестируют модели на грузинском языке
🧪 Когда один глаз заклеен, а срок поджимает, заканчивать проект становится настоящим испытанием. Разработчик взялся за т...
Независимый бенчмарк для ИИ-моделей принятия решений
🚀 5-12 раз быстрее! Новый бенчмарк для ИИ-моделей "Decision models" от Jev и OpenAI показывает, как разные инструменты с...
Как разработчик создал платформу для тестирования локальных моделей AI
🧪 У разработчика возникли сомнения в тестировании локальных моделей AI. Он понимал, что задача не из лёгких: нужно было ...
Сравнение производительности 7 JS фреймворков с помощью Fable и Opus
🧪 Два мощных инструмента — Fable 5.1 и Opus 5.5 — провели тесты на одном и том же JS-бенчмарке. Они использовали одинако...
Сравнение 24 LLM с человеческими писателями по 475 запросам
🧪 Вышел первый релиз Creative Writing benchmark, в котором сравнили 24 LLM с человеческими писателями по 475 творческим ...
Сравнение локальных моделей: Qwen3.8-Flash-Next NVFP4 против 27B
🧪 Результаты тестирования впечатляют: Qwen3.8-Flash-Next NVFP4 показал почти самый высокий балл среди всех локальных мод...
Результаты эксперимента QWEN3.8-27B на RTX 6000 Pro
🧪 Что получится, если протестировать QWEN3.8-27B на RTX 6000 Pro с использованием FP8? Разработчики приглашают участнико...
Обновленный бенчмарк DeepSeek V4 Flash на SlopCodeBench
🧪 Обновленные результаты бенчмарка DeepSeek V4 Flash на SlopCodeBench показывают, что локальный запуск на MacBook M5 Max...
LLMstats: мониторинг моделей Groq и OpenRouter
🧪 5000 пингов за месяц! Разработан LLMstats — инструмент, который каждые 3 часа проверяет бесплатные модели Groq и OpenR...