AI基准测试

研究人员推出BusinessCaseBench基准，评估大语言模型在复杂商业案例分析中的表现。结果显示前沿AI模型已能高质量完成跨学科商业案例分析任务，且性能在两年内显著提升。

研究者提出STOCKTAKE评估框架，首次将大语言模型代理的“认知偏差”与“行动失败”分开测量，发现即使模型能准确识别问题，仍有34-43%的正确诊断周仍会导致库存短缺。

行业首个智能体AI基准测试AgentPerf发布首轮结果，NVIDIA Blackwell平台在测试中展现出领先性能，每兆瓦可运行的智能体数量大幅提升。