Benchmarks

Les modèles GPT-5.4 et Kimi K2.6 utilisent principalement le web pour valider leurs données d'entraînement plutôt que pour explorer vraiment, selon des chercheurs de l'Institut Harbin

Un nouveau benchmark temporel (LiveBrowseComp) testant uniquement des événements des 90 derniers jours révèle l'effondrement des performances quand les modèles ne peuvent pas s'appuyer sur leur mémoire

#search agents#benchmarks#knowledge vs. research🏢 Harbin Institute of Technology OpenAI

Dev.to

Panorama des méthodes d'évaluation des modèles de langage : benchmarks à choix multiples, vérificateurs automatisés, leaderboards et juges basés sur LLM

Comparaison des forces et limites de chaque approche avec exemples de code pratiques

Dev.to

Panorama 2025 des grands modèles de langage couvrant les architectures émergentes et l'évolution des benchmarks

Focus sur DeepSeek R1 et les techniques d'optimisation au moment de l'inférence (inference-time scaling)

Dev.to

Les tests d'évaluation des systèmes d'intelligence artificielle se multiplient pour mesurer leurs performances.

Ces comparateurs soulèvent des questions fondamentales sur la pertinence et l'objectivité des méthodologies utilisées.

Sciences et Avenir