Scale AI và CAIS ra mắt benchmark HLE Diamond, điểm cao nhất 60,6%

Việc đánh giá các mô hình AI tiên tiến nhất vừa có thêm một công cụ đáng tin cậy: bộ dữ liệu kiểm thử được tuyển chọn kỹ lưỡng, dựa trên kỳ thi Humanity's Last Exam. HLE Diamond được kỳ vọng sẽ thay thế các benchmark cũ vốn đang bão hòa khi hầu hết mô hình đều đạt điểm sát trần.