Tới nội dung
Chỉ Quan điểm#Đánh giá / benchmark
13 tháng 11Thứ Sáu
  1. Hacker News · AI30

    The Singularity Clock v1.4.0 theo dõi các mốc thời gian AGI, Singularity và ASI

    The Singularity Clock v1.4.0 là một công cụ đo lường công khai dự báo AGI vào khoảng tháng 4 năm 2027, Singularity vào khoảng tháng 12 năm 2029 và ASI vào khoảng tháng 12 năm 2031, tất cả đều giữ nguyên kể từ tháng 11. 14 tín hiệu của nó bao gồm METR task horizon ở mức 11,4 giờ (+38% so với quý trước), SWE-bench Verified ở mức 88,2%, Humanity's Last Exam ở mức 38,9% và ARC-AGI-2 ở mức 62,4%. Dự án báo cáo tỷ lệ vận tốc năng lực trên an toàn là 1,77× và công bố phương pháp luận cùng mã nguồn trên GitHub theo giấy phép CC-BY-4.0.

  2. Hacker News · AI68

    Các mốc thời gian AI đột ngột dịch chuyển? Xem xét lại sự tăng tốc của Anthropic và biên giới phẳng lặng

    Một bài đánh giá báo cáo của METR về tăng tốc R&D AI tại Anthropic và các phân tích tiếp theo cho thấy xu hướng tăng trưởng năng lực của Anthropic đã thay đổi vào khoảng tháng 10 năm 2025, gần Opus 4.5, nhưng các phòng thí nghiệm đối thủ không tăng tốc và biên giới tổng thể vẫn giữ xu hướng trước đó. Tác giả cân nhắc giữa tăng trưởng tính toán, vốn tăng khoảng 5,7 lần tại Anthropic trong năm 2025 so với 4,5 lần tại OpenAI và 3,8 lần tại Google DeepMind, với việc AI xây dựng AI, nơi METR quy cho khoảng 80% mức tăng tốc bằng dữ liệu đã biên tập mà người ngoài không thể xác minh. Tùy thuộc vào kịch bản nào đúng, khả năng có một nhà nghiên cứu AI siêu phàm vào năm 2027 dao động từ khoảng 70% theo con số tiêu đề của METR đến khoảng 20% nếu chỉ dùng số liệu công khai của Epoch và quỹ đạo trước đó của lĩnh vực.

11 tháng 11Thứ Tư
  1. OpenAI News28

    Kiến trúc sư trưởng JioStar Vijay Seshadri bàn về khám phá bằng AI ở quy mô 500 triệu người dùng

    Kiến trúc sư trưởng JioStar Vijay Seshadri chia sẻ bài học về vận hành khám phá bằng AI ở quy mô 500 triệu người dùng, bao gồm đánh giá, rào chắn bảo vệ và đưa AI vào sản xuất. Bài viết do OpenAI công bố tập trung vào các thực tiễn vận hành đằng sau triển khai AI quy mô lớn.

10 tháng 11Thứ Ba
  1. One Useful Thing78

    Ethan Mollick thử nghiệm Claude Fable 5.2 trên lập trình, kinh doanh và nghiên cứu, gọi nó gần như AGI

    2 trên các nhiệm vụ trải rộng từ hack phần cứng, lập kế hoạch kinh doanh, xây dựng khóa học nhân văn, nghiên cứu học thuật đến dự án cổng 3D 450 thế giới, và đánh giá nó gần như AGI theo định nghĩa của ông về việc sánh ngang hầu hết chuyên gia con người ở hầu hết các nhiệm vụ trí tuệ trên máy tính.

    Vì sao đáng chú ý: Các thử nghiệm thực tế của Ethan Mollick với Claude Fable 5.2 cho thấy năng lực tổng quát mạnh mẽ trên lập trình, kinh doanh và nghiên cứu, đồng thời phơi bày một khoảng trống dai dẳng trong việc tự đánh giá khi nào công việc đã đủ tốt.

  2. Latent Space58

    Các phòng thí nghiệm tiên phong mua gì: Phân tích dữ liệu chuyên sâu cùng Garrett Lord và đội ngũ Handshake AI

    Mảng kinh doanh huấn luyện AI của Handshake đã đi từ lúc ra mắt đến 1 tỷ USD doanh thu gộp hằng năm ước tính chỉ trong khoảng một năm, và bài phân tích chuyên sâu này của Latent Space cùng Garrett Lord và đội ngũ của ông đi qua các môi trường học tăng cường mà các phòng thí nghiệm tiên phong mua. Trong một bản demo tài chính, một agent xử lý email và hồ sơ giao dịch của một ngân hàng mô phỏng mang một con số lợi thế thương mại vào Python và trừ nó đi, một sai lầm cho thấy chỗ mà phán đoán của chuyên gia vẫn vượt trội hơn mô hình. Đội ngũ cũng trình bày VIALS, bộ đánh giá của họ để diễn giải hình ảnh khoa học, và lần theo các lệnh gọi công cụ của một agent qua các mô phỏng an toàn bao gồm CAREBench.

26 tháng 10Thứ Hai
  1. Import AI62

    Import AI 478: Toán học cho alignment, ProgramBench, và tín hiệu RSI của Mirendil

    Import AI 478 tổng hợp bốn diễn biến: startup an toàn AI Resolution đã tự động hình thức hóa việc giải kỳ dị trong Lean bằng các tác nhân điều phối, với chi phí token ước tính 135.000 USD trong khoảng một tuần. Claude Opus 5.5 đạt 18,5% giải được trên ProgramBench, tăng từ 0% của mọi mô hình khi benchmark ra mắt vào tháng 5. OpenAI mô tả các tác nhân trong các microVM riêng biệt trao đổi bí mật tổng hợp qua timing bộ nhớ đệm của bộ xử lý, và Mirendil báo cáo một nhà nghiên cứu đã tiền huấn luyện một mô hình lập trình 100B-500B tham số trong 3,5 tháng với chi phí tính toán dưới 10 triệu USD.

20 tháng 10Thứ Ba
  1. One Useful Thing40

    Ethan Mollick's Co-Existence Charts 30 Months of AI Progress, Made by Claude Opus 5.5

    Ethan Mollick đã xuất bản Co-Existence, cuốn sách AI thứ hai của ông, 30 tháng sau Co-Intelligence, và sử dụng Claude Opus 5.5 trong Claude Projects để tạo các biểu đồ của bài đăng và một video "con rái cá trên máy bay dùng wifi" trong vài phút. Ông lưu ý rằng 180 mô hình hiện vượt trội GPT-4 tại thời điểm phát hành, 19 trong số đó chạy trên một điện thoại thông minh hiện đại, trong khi Long Horizon Benchmark của METR tăng từ một tác vụ bốn phút vào năm 2024 lên 17 giờ làm việc của con người vào tháng 4 năm 2026 trước khi benchmark cạn kiệt.

6 tháng 10Thứ Ba
  1. LiveKit Blog38

    Retell vs. Vapi vs. LiveKit: So sánh dành cho nhà phát triển về AI Agent thoại

    LiveKit đã công bố một so sánh hướng đến nhà phát triển giữa Retell, Vapi và LiveKit để xây dựng AI agent thoại, định hình lựa chọn quanh bốn câu hỏi: ai sẽ lặp cải tiến agent sau khi ra mắt, điều gì xảy ra khi nhu cầu vượt ra ngoài các cấu hình mặc định, liệu nó có phải chạy ngoài phạm vi cuộc gọi điện thoại, và chi phí ở quy mô lớn. Retell là một nền tảng được quản lý với trình chỉnh sửa trực quan, Vapi là một nền tảng được quản lý hướng đến nhà phát triển, được cấu hình qua API và dashboard, còn LiveKit là một framework mã nguồn mở Apache 2.0 có thể tự lưu trữ. Chi phí ước tính tổng cộng mỗi phút khoảng $0.070–$0.310 cho Retell, $0.070–$0.116 cho Vapi và $0.037–$0.099 cho LiveKit.

18 tháng 9Thứ Sáu
  1. Every42

    Vibe Check: GPT-6 Astra có phải là bước đột phá cho các nhà làm phim độc lập?

    Studio sáng tạo Afterimage đã thử nghiệm GPT-6 Astra trên các cảnh quay từ những buổi quay thực tế để xem liệu kỹ năng Blender 3D của nó có chuyển sang được công việc hiệu ứng hình ảnh hay không. Astra đã xử lý các tác vụ từ việc thay một chiếc đĩa trong một cú lia máy đang di chuyển đến việc thêm một tòa nhà vào một con phố ở Brooklyn và làm cho một chiếc xe diễu hành khổng lồ xuất hiện bên ngoài cửa sổ trong cảnh quay bằng iPhone cầm tay. Một số cảnh quay thành công và một số thì không, nhưng cuối cùng nhóm đã mơ ra những hiệu ứng mà trước đây họ chưa từng thử làm.

14 tháng 7Thứ Ba
  1. AI as Normal Technology34

    Bài phát biểu chính tại ICML của nhà nghiên cứu Princeton: Điều gì sẽ còn lại cho chúng ta để làm?

    Một nhà nghiên cứu tại Đại học Princeton đã dùng bài phát biểu chính tại ICML để lập luận rằng khuôn khổ "AI như Công nghệ Bình thường" vẫn đúng trừ khi xảy ra một sự gián đoạn như tự cải thiện đệ quy, và rằng không có cột mốc nào của phòng thí nghiệm sẽ đột ngột xóa bỏ mọi việc làm. Bài nói kêu gọi xây dựng các kỹ năng bổ trợ, tính chủ động và phán đoán thay vì chạy đua tích lũy của cải trước khi kỹ năng trở nên vô nghĩa.

1 tháng 7Thứ Tư
  1. One Useful Thing60

    Ethan Mollick về buổi hoàng hôn của chatbot và sự trỗi dậy của công việc do tác nhân AI vận hành

    Ethan Mollick lập luận rằng việc sử dụng AI đang chuyển từ đồng trí tuệ chatbot sang các tác nhân chạy dài hạn cần ít sự can thiệp của con người hơn, và sự thay đổi này đang diễn ra nhanh chóng. Ông trích dẫn METR, Viện An ninh AI Vương quốc Anh và các chuẩn đánh giá GDPval tăng nhanh hơn mức hàm mũ, cùng một phát hiện của Epoch rằng Opus 4.7 đã tự làm việc trong 14 giờ để xây dựng một gói phần mềm ước tính tương đương 2-17 tuần kỹ thuật của con người với chi phí 251 USD tiền token. Một nghiên cứu của OpenAI và các nhà kinh tế học hàn lâm phát hiện một phần tư nhân viên OpenAI vận hành ít nhất bốn tác nhân mỗi tuần, với bộ phận pháp lý và nhân sự áp dụng với tốc độ gần bằng lập trình viên, và một nghiên cứu về Claude Code phát hiện chuyên môn lĩnh vực, chứ không phải nghề nghiệp, dự báo thành công.

18 tháng 6, 2025Thứ Tư
  1. Vapi Blog22

    Claude vs ChatGPT: Hướng dẫn so sánh đầy đủ

    Claude và ChatGPT được so sánh về chất lượng hội thoại, bộ nhớ ngữ cảnh, tốc độ, tính năng, viết sáng tạo, nghiên cứu, giá cả và giao diện. Claude xử lý tới hơn 200.000 token cho người dùng Pro và vượt trội ở viết sáng tạo và hội thoại tinh tế, trong khi ChatGPT hỗ trợ 128.000 token, phản hồi trong 2-3 giây so với 5-10 giây của Claude, và cung cấp tạo hình ảnh cùng Custom GPTs. Cả hai gói Pro đều có giá 20 đô la mỗi tháng, với Claude Max ở mức 100-200 đô la và ChatGPT Pro ở mức 200 đô la.

5 tháng 6, 2025Thứ Năm
  1. Vapi Blog22

    GPT-4.1 vs Claude 3.7 Sonnet: AI nào mang lại Voice Agent tốt hơn?

    Vapi so sánh GPT-4.1 và Claude 3.7 Sonnet với vai trò LLM đứng sau voice agent, đánh giá chất lượng hội thoại, xử lý ngữ cảnh, tính minh bạch trong suy luận, tích hợp nền tảng và chi phí. GPT-4.1 cung cấp cửa sổ ngữ cảnh 1.000.000 token và đầu ra 32.768 token với ưu đãi caching 75%, trong khi Claude 3.7 cung cấp ngữ cảnh 200.000 token và đầu ra 128.000 token. Cả hai mô hình đều có thể lựa chọn trên nền tảng voice agent của Vapi.

30 tháng 5, 2025Thứ Sáu
  1. Vapi Blog15

    Các lựa chọn thay thế Speechify tốt nhất: So sánh 5 công cụ TTS

    Bài so sánh năm lựa chọn thay thế Speechify chọn NaturalReader cho việc sử dụng đa thiết bị và tích hợp ứng dụng với giá 119 đô la mỗi năm, Voice Dream Reader cho điều khiển bằng giọng nói trên iPhone với giá mua một lần 14,99 đô la, và Murf AI cho giọng nói chuyên nghiệp từ khoảng 19 đô la mỗi tháng. ReadSpeaker tập trung vào đọc các trang web trên 45 ngôn ngữ từ 4,90 đô la mỗi tháng, trong khi Balabolka là một lựa chọn miễn phí chỉ dành cho Windows.