ALTK-Evolve использует GPT-4.1 для достижения 67.5% Pass^4 на τ²-bench, превосходя другие модели в обслуживании клиентов. Метод основан на обученной памяти。
Почему это важно: Исследование показывает, как использование обученной памяти может значительно повысить эффективность AI-агентов в задачах обслуживания клиентов.
Microsoft и Hugging Face совместно опубликовали ThinkingBox — бенчмарк для оценки AI-агентов。
Почему это важно: Microsoft и Hugging Face представили ThinkingBox, оценивающий AI-агентов по реальному изменению состояния базы данных, а не по количеству вызовов инструментов.
Hugging Face представил Open TTS Leaderboard — платформу для масштабной оценки открытых многоязычных моделей синтеза речи и клонирования голоса. В отличие от традиционных рейтинговых арен。
Почему это важно: Представлены объективные метрики и инструменты для сравнения моделей, что ускоряет оценку их производительности.