ข้ามไปยังเนื้อหา

แท็ก

#calibration

2 บทความ

InternLM ปล่อย Intern-Decision — โมเดลตัดสินใจแบบเปิดตัวแรกที่ค่าเฉลี่ยแซง Jev (90.02 ต่อ 88.74) ขนาด 4B รับภาพได้ Apache-2.0 แต่ยังแพ้ Jev ชัดเรื่องกันเจลเบรก
โมเดลใหม่

InternLM ปล่อย Intern-Decision — โมเดลตัดสินใจแบบเปิดตัวแรกที่ค่าเฉลี่ยแซง Jev (90.02 ต่อ 88.74) ขนาด 4B รับภาพได้ Apache-2.0 แต่ยังแพ้ Jev ชัดเรื่องกันเจลเบรก

InternLM ปล่อย Intern-Decision ขนาด 0.8B, 2B และ 4B บน Hugging Face เมื่อ 26 ก.ย. เป็นโมเดลตัดสินใจแบบหลายคำถามในการ forward ครั้งเดียว รับภาพได้ ต่อยอดจาก Qwen3.5 รุ่น 4B ได้ค่าเฉลี่ย 7 ชุดทดสอบ 90.02% เทียบกับ 88.74% ของ Jev และตอบใน 44 ms บน RTX 4090 แต่ชนะส่วนใหญ่จาก Typed Decision กับ ToolACE ขณะที่ WildJailBreak ยังแพ้ Jev 6.4 จุด

· อ่าน 4 นาที
เอเจนต์โคดดิ้งไม่รู้ว่าเวลาผ่านไปเท่าไร: งานจาก MATS วัด Claude Code กับ Codex พบทั้งคู่เดาว่า "ประมาณชั่วโมงครึ่ง" กับทุกงาน — และ Codex ผิดไป 4.12 เท่า
งานวิจัย

เอเจนต์โคดดิ้งไม่รู้ว่าเวลาผ่านไปเท่าไร: งานจาก MATS วัด Claude Code กับ Codex พบทั้งคู่เดาว่า "ประมาณชั่วโมงครึ่ง" กับทุกงาน — และ Codex ผิดไป 4.12 เท่า

งานประเมินจากโปรแกรม MATS 10 (เผยแพร่ 14 ส.ค. 2026 และถูกสำนักข่าวหยิบไปขยายเมื่อ 30 ส.ค.) ให้ Claude Code กับ Codex ทำนายเวลาที่ตัวเองจะใช้ ทำงานจริง แล้วย้อนประเมิน พบว่าทั้งคู่ตอบ "ประมาณ 90 นาที" แทบทุกงานโดยไม่สนความยาก — Opus 4.8 ใช้จริงเฉลี่ย 85 นาที (บังเอิญตรง) ส่วน GPT-5.5 ใน Codex ใช้จริง 17.5 นาที แต่ทาย 72 นาที ผิดไป 4.12 เท่า และ harness เปลี่ยนจำนวนเทิร์นได้ถึง 2.5 เท่าบนโมเดลตัวเดียวกัน

· อ่าน 8 นาที