bluedev'in teknoloji günlüğü.Yapay zekâ araştırmaları, yeni modeller ve açık kaynak; geliştirici bakışıyla.
Araştırma, LLM ajanlarını izlemek için beyaz kutu probe tabanlı aldatma tespiti sunuyor. SHADE-Arena'da 98.8% AUC ile Opus 5.5 bazını geçiyor. FIBS veri seti ve çok katmanlı probe mimarisi, içsel aldatma ve sabotajı tespit etmek için ölçeklenebilir bir çerçeve sağlıyor.
Analizi oku
“BrickBench” için 1 sonuç. Aramayı temizle
BrickBench, metin komutlarına dayalı LEGO seti tasarımında ajanların performansını ölçen bir benchmark'tır. Ajanlar, semantik ve tasarım kriterlerini karşılayan, fiziksel olarak inşa edilebilir yapılar üretmek için ayrık parça kütüphanelerinden seçim yapar. Çalışma, geçerlilik, uyum ve tasarım boyutlarında üç farklı ölçek ve parça erişilebilirliği senaryosun
arXiv / cs.AI + cs.CLİnşa ederken biriktirdiklerimiz.
Yapay zeka ile hazırlanan her analiz, kaynaklarına geri dönebileceğiniz açık bir kayıt. bluedev bakışı, bir gelişmenin yazılım üretirken neyi değiştirdiğine odaklanır.
Radar; OpenAI, Google/Gemini, DeepMind, Anthropic/Claude, xAI/Grok, DeepSeek, Microsoft, NVIDIA, Vercel, GitHub, Hugging Face ve arXiv’in resmî yayınlarını ve seçili kararlı açık kaynak sürümlerini izler.
Resmî araştırma akışlarından, model duyurularından ve açık kaynak yayınlarından gelişmeleri keşfet.
Makaleyi, model duyurusunu veya depoyu bul; güncel yayın tarihini doğrula ve tekrarları ayıkla.
Ne değişti, geliştiriciye etkisi ne, henüz neyi bilmiyoruz?
Yapay zeka desteğini belirt; kaynakları ve editoryal görseli birlikte sun.