ARC-AGI-3
Ismeretlen, interaktív játékszerű környezetekben méri, hogy egy AI-ügynök képes-e felfedezni a szabályokat, alkalmazkodni és célt elérni.
- Adatszivárgás
- Alacsony kockázat
- Hétköznapi jel
- Csak közvetett jel
Benchmark-tolmács · ellenőrizve 26 napja
Mit mond valójában egy AI-pontszám?
Egy magas szám önmagában nem bizonyítja, hogy a modell jobb lesz neked. Megmutatjuk, mit mér a teszt, mit hagy ki, mennyire friss, szivároghatott-e a tesztadat, és mennyi köze van a hétköznapi használathoz.