#GPT-4o-mini

朋友发了这个新基准数据集，专门用来测试模型在生物物理领域的科学推理能力，比之前的基准更复杂，能看出不同模型在这个专业领域的真实水平。

工业4.0中，研究人员用三种模型测试了6400个资产壳实例，找到了评估AI生成资产壳质量的可靠指标。

斯坦福团队发布临床推理基准，测试八种历史表示策略，发现压缩导致关系损失，小模型 Haiku 在全上下文下超越大模型 Sonnet。

这篇论文解决AI摘要瞎编的问题，用多源证据+多模型投票来纠错，在SummEdits上验证有效，做新闻聚合的可以看看。