Are LLM Performance Benchmarks Reliable? — Ashok Chandrasekar & Jason Kramberger, Google
Två Google-ingenjörer kunde inte återskapa andra forskares prestandatester för AI-modeller och upptäckte varför: benchmark-verktygen mäter ofta fel.
Ett verktyg kan säga att det skickade 200 förfrågningar per sekund när det bara skickade 38. Pythons sätt att köra kod gör det svårt att köra flera tester samtidigt. Ibland mäter själva testverktyget så långsamt att det ser ut som om servern är långsam, fast den är fin. Google byggde då Inference Perf, ett nytt testverktyg som kan köra riktiga arbetsbelastningar på ett korrekt sätt och hålla reda på vad som faktiskt hände jämfört med vad som var planerat.
Sammanfattningen har tagits fram med AI av Vibekollen utifrån källans publicering. Innehållet tillhör AI Engineer.
Mer att läsa
Lumaril, which develops AI software for optimizing industrial production by connecting to existing control systems, raised a $66M Series A at a $400M valuation
Techmeme för 2 tim sedan
DeepSeek open sources Super-Agent as a research prototype, a proactive coding agent it says can monitor group chats for coding issues and suggest solutions
Techmeme för 2 tim sedan
Insurance software maker Guidewire agrees to acquire Hyperexponential, which makes AI-powered insurance underwriting and pricing software, for $1.7B in cash
Techmeme för 2 tim sedan
One word for AI agents in 2027
Nate Herk för 6 tim sedan