Vydání
Žádný AI agent nezískal více než 12 procent v novém benchmarku SemiAnalysis pro práci v reálném světě
GDPx hodnotí AI agenty v simulovaném pracovním prostředí a žádný model nezískal více než 12 procent.
GDPx zahrnuje 206 úloh v jedenácti oborech, od návrhu čipů a biologie po kyberbezpečnost a právo, ale vynechává administrativu a pojišťovnictví. V některých oblastech, včetně práva a návrhu hardwaru, hodnotí výsledky jazykové modely pomocí hodnoticích kritérií namísto lidských odborníků, takže lidé zvenčí nemohou plně ověřit obtížnost úloh ani kvalitu hodnocení.
Shrnutí vychází z dostupného úplného textu zdroje. Shrnutí připravené s pomocí AI. Rozhodující je původní zdroj.
Původní zdroj
The Decoder
Datum uvedené u zdroje: 5. 11. 2026
Otevřít originál u vydavatele ↗