Le filThèmes : ÉvaluationsAgents
BIABench évalue des agents d’IA sur des analyses d’images biologiques tirées d’études publiées
1 sourcemis à jour il y a 6 jpertinence 3,3 sur5
L’essentiel
Le benchmark compte 16 tâches. Les tâches 2D courantes sont bien résolues, mais sur certaines tâches avec une troisième dimension ou un axe temporel, aucun agent ne dépasse 0,19. Les scores varient beaucoup d’une exécution à l’autre.
Propagation1 article, publié par HF Daily Papers le 1 oct..
Les sources
1 article
HF Daily PapersCommunauté : fiche de la sourceSource primaire
Hugging FaceZixuan Pan, Davide Panzeri, Lukas Johanns et al.huggingface.co
BIABench: Evaluating AI agents on real-world bioimage analysis tasks (site externe)
Artificial-intelligence (AI) agents hold promise for automating bioimage analysis, yet no benchmark evaluates whether they can carry out real-world analyses end to end.
Sur les mêmes thèmes
Agents
LangChain intègre un routeur de modèles à son agent open source Open SWE et réduit le coût médian
Évaluations
Microsoft publie ThinkingBox, un benchmark qui note les agents sur l’état final de la base de données
Agents
SkillSeek montre que BM25 rivalise avec la recherche agentique de skills pour les agents
Agents
Weave publie en open source Weave Router 2.0, qui oriente les agents de code vers différents modèles
À lire ensuite
Modèles
Google DeepMind annonce Gemini 4 Argon, déployé d’abord auprès de défenseurs cyber de confiance via Fairwind
Modèles
OpenAI lance GPT-6 Sol et GPT-6 Luna, deux modèles plus économiques qui complètent GPT-6 Astra
Modèles
Anthropic publie Claude Opus 5.5 et OpenAI lance GPT-6 Sol et GPT-6 Luna à environ une heure d’écart
Modèles
Anthropic lance Claude Sonnet 5.5, deuxième modèle de la famille Claude 5.5