Le filThèmes : ÉvaluationsRecherche
FairRSFM propose un benchmark qui mesure les écarts entre biomes des modèles de fondation en télédétection
1 sourcemis à jour il y a 1 jpertinence 2,0 sur5
L’essentiel
Selon FairRSFM, Prithvi-EO-2.0 atteint 90,98 % de macro-F1 global sur m-EuroSAT, mais seulement 83,72 % de score moyen dans le pire groupe. Le code et les jeux de données sont publiés.
Propagation1 article, publié par HF Daily Papers le 6 oct..
Les sources
1 article
HF Daily PapersCommunauté : fiche de la sourceSource primaire
Hugging FaceMd Aminur Hossain, Omkumar Vaghasiya, Rajeev Ranjan Dwivedi et al.huggingface.co
FairRSFM: A Biome-Aware Benchmark and Debiasing Framework for Remote Sensing Foundation Models (site externe)
Remote sensing foundation models (RSFMs) are commonly evaluated using aggregate metrics, which can hide systematic performance disparities across ecological regions.
Sur les mêmes thèmes
Évaluations
SkillSeek montre que BM25 rivalise avec la recherche agentique de skills pour les agents
Évaluations
VeriHarness transforme le LLM d’un générateur en agent vérificateur pour les tâches longues
Évaluations
Une étude montre que la date cachée dans les prompts système fait varier les évaluations de LLM
Évaluations
MILO fait évoluer des harnais d’agents et leur stratégie de recherche, et dépasse huit harnais de référence
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