A tanulmány a 2026-ban a legfejlettebb laboratóriumok által jelentett benchmarkok gyakorisági eloszlását mutatja be, kiemelve, hogy a HLE, SWE-Bench Pro, DeepSWE és Terminal-Bench univerzális elfogadottságot értek el, DeepSWE-t mind a 12 labor jelentette, és OpenAI készítette a legtöbb népszerű benchmarkot; ez a trend a benchmark-készítők befolyását és a versenyt befolyásolja.
Mesterséges intelligenciával generált szöveg
Frontier laboratóriumok 2026-os benchmark-használatának gyakorisági elemzése
A tanulmány a 2026-ban a legfejlettebb laboratóriumok által jelentett benchmarkok gyakorisági eloszlását mutatja be, kiemelve, hogy a HLE, SWE-Bench Pro, DeepSWE és Terminal-Bench univerzális…
