ThinkingBox: เมื่อ AI Agent บอกว่าเสร็จ แต่ฐานข้อมูลบอกว่าไม่ใช่tag: AI agents, Hugging Face, LLM Benchmark, Microsoft, OpenEnv, ThinkingBoxOct 4, 2026 · By: NatapolKสรุปข่าว 1:28Microsoft และ Hugging Face เปิดตัว ThinkingBox เกณฑ์วัดความน่าเชื่อถือของ AI agent จากผลลัพธ์ในฐานข้อมูลจริง แทนการดูเพียงคำตอบหรือการเรียกใช้เครื่องมือ พร้อมทดสอบความสม่ำเสมอด้วยการรันซ้ำ 20 ครั้ง
BenchMIRT: เจาะลึกความจริงเบื้องหลังคะแนน Benchmark ของ LLMtag: AI Safety, Allen Institute for AI, BenchMIRT, Item Response Theory, LLM BenchmarkSep 2, 2026 · By: NatapolKBenchMIRT เป็นเทคโนโลยีใหม่ที่ใช้ระบบ multidimensional IRT เพื่อวิเคราะห์ระดับรายข้อคำถามว่าโมเดลภาษาขนาดใหญ่ (LLM) มีทักษะด้านความปลอดภัยหรือการใช้เหตุผลจริงตามที่ชื่อ Benchmark ระบุไว้หรือไม่
