رتبه بندی محبوب هوش مصنوعی Arena تقریبا ارزش گذاری را در 10 ماه دو برابر کرده و به 3.1 میلیارد دلار رسانده است.

Arena یک پلتفرم crowdsource ارائه می کند که استفاده از آن برای مصرف کنندگان رایگان است. افراد اعلان‌ها را وارد می‌کنند یا پروژه‌های کدگذاری شده را درخواست می‌کنند و سپس ارزیابی می‌کنند که کدام مدل آن را بهتر انجام می‌دهد. Arena ادعا می کند که ده ها میلیون بازدید کننده ماهانه دارد.

در سپتامبر سال گذشته، محصول تجاری خود، AI Evaluations را معرفی کرد، سرویسی که به آزمایشگاه‌های مدل و شرکت‌ها تجزیه و تحلیل دقیق عملکرد را بر اساس بازخورد جامعه ارائه می‌دهد. زمان ثابت شد بی عیب و نقص. امسال، آزمایشگاه‌های هوش مصنوعی متوجه شدند که مدل‌های آن‌ها تست‌های معیار بازی را انجام می‌دهند و راه‌هایی برای کسب امتیازهای خوب بدون کسب امتیاز واقعی پیدا می‌کنند. در همان زمان، شرکت‌ها برای تعیین اینکه کدام مدل برای نیازهای داخلی آنها بهتر عمل می‌کند به جای تکیه بر معیارهای استاندارد شده، کمک می‌خواستند.

این شرکت در اطلاعیه تامین مالی خود گفت: "هوش مصنوعی سریعتر از توانایی ما برای ارزیابی آن پیشرفت می کند و معیارهای ثابت زمانی که مدل ها تشخیص می دهند در حال آزمایش هستند خراب می شوند." وی افزود: "جهان به یک شخص ثالث خنثی نیاز دارد تا میزان ایمنی و همسویی بودن هوش مصنوعی را هنگامی که در دست افراد واقعی قرار گیرد، ارزیابی کند. Arena امروز در این نقش قدم می گذارد."

برای این منظور، Arena همچنین یک دسته بندی جدید به تابلوی امتیازات خود اضافه کرده است: alignment. این جایی است که مدل ها را بر اساس مسائلی مانند اقدام غیرمجاز (اقداماتی که از آنها خواسته نشده است) رتبه بندی می کند. انتساب نادرست (اعتبار نادرست اظهارات یا حقایق به منبع اشتباه)؛ و چیزی که آن را "تکمیل فریبنده" می نامد (دروغ گفتن در مورد انجام کارهایی که انجام نداده است).

در حال حاضر، مجموعه‌ای از مدل‌های OpenAI در صدر جدول امتیازات اولیه آن قرار دارند و Claude Opus 5.5 و Claude Fable به ترتیب در جایگاه‌های ششم و نهم قرار دارند.

وقتی از طریق پیوندهای موجود در مقالات ما خرید می کنید، ممکن است کمیسیون کمی کسب کنیم. این بر استقلال تحریریه ما تأثیر نمی گذارد.

ترامپ از نیروی ابر اطلاعاتی جدید خود آنتونی ها رونمایی کرد

قاضی فدرال، آنتونی ها را "نظارت جمعی بی رویه" می نامد

آمازون در پاسخ به عکس العمل مرکز داده، می گوید دیگر از NDA آنتونی ها استفاده نمی کند

کارمند ایمنی OpenAI با این ادعا که آنتونی ها «فرهنگ شرکت شکسته است» استعفا داد

متا می‌خواهد ابزار بعدی شما Kirsten Korosec باشد