Google luncurkan Gemini 4 Carbon, klaim unggul di keamanan siber
Google merilis Gemini 4 Carbon dengan klaim unggul di keamanan siber dan skor 59 di Artificial Analysis Index v5.0, tetapi akses baru terbatas bagi pembela siber terpilih.
#benchmark
2 artikel
Tolok ukur TraceTrial-Bench menguji keandalan harness agen AI, bukan hanya modelnya
Pracetak arXiv TraceTrial-Bench menguji keandalan harness agen AI di tujuh komponen; dari 3.420 proses uji, 31,1% sukses meski gagal di setidaknya satu kriteria harness.