នៅពេលដែលម៉ូដែលកំពូលរបស់ក្រុមហ៊ុន AI ធំៗទាំងបីគឺ OpenAI Anthropic និង Google ប្រកួតប្រជែងគ្នាក្នុងពេលតែមួយ តើអ្នកណាពូកែគ្រប់គ្រងរូបយន្តជាង?
នៅថ្ងៃទី 20 ខែតុលា RoboColiseum ដែលជាសង្វៀនប្រកួតរូបយន្ត embodied ដែលផ្តួចផ្តើមរួមគ្នាដោយស្ថាប័នឧត្តមសិក្សា សហគ្រាស និងវិទ្យាស្ថានស្រាវជ្រាវប្រមាណ 20 នៅទូទាំងពិភពលោក រួមមាន Mifeng Technology, Hugging Face, NVIDIA និងសាកលវិទ្យាល័យ Tsinghua បានប្រកាសលទ្ធផលវាយតម្លៃជុំនេះ៖ Claude Opus 5.5 ឈរលេខរៀងទីមួយជារួមក្នុងចំណោមម៉ូដែលកំពូលទាំងបួន ហើយ GPT-6 Astra តាមមកបន្ទាប់។
នៅពេលពិនិត្យតាមផ្នែក ក្នុងចំណោមម៉ូដែលកំពូលទាំងបួន GPT-6 Astra នាំមុខផ្នែកការអនុវត្តតាមការណែនាំ និងការសម្របខ្លួនទៅនឹងការរំខានជារួម ដោយពិន្ទុអនុវត្តតាមការណែនាំឈានដល់ 99.35។ Opus មានដំណើរការល្អជាងផ្នែកការយល់ដឹងអំពីលំហ និងប្រតិបត្តិការទូទៅ ហើយឈរលេខរៀងទីមួយជារួមក្នុងក្រុមម៉ូដែលកំពូល ដោយប្រើប្រាស់ token តិចបំផុតក្នុងការវាយតម្លៃគ្រប់ជុំ។ ក្នុងការសាកល្បងដែលគុណភាពរូបភាពត្រូវបានរំខាន GPT-6.1 Sol យឺតយ៉ាវយ៉ាងច្បាស់ធៀបនឹងម៉ូដែលបីផ្សេងទៀត ដែលបង្ហាញពីភាពខុសគ្នានៃស្ថិរភាពរបស់ម៉ូដែលផ្សេងៗគ្នាក្នុងការឆ្លើយតបទៅនឹងការផ្លាស់ប្តូរព័ត៌មានមើលឃើញ។
ប៉ុន្តែចំណាត់ថ្នាក់ជារួមពីរកំពូលជុំនេះ នៅតែកាន់កាប់ដោយម៉ូដែលយុទ្ធសាស្ត្រ embodied ជាពិសេសរក្សាគុណសម្បត្តិផ្នែកវិមាត្រប្រតិបត្តិការទូទៅ។
ការប្រកួតប្រជែងគ្នាក្នុងពេលតែមួយនេះ ផ្តល់ឱ្យឧស្សាហកម្មនូវឯកសារយោងផ្ទាល់ភ្នែក ដើម្បីមើលឃើញច្បាស់ពីគុណសម្បត្តិ និងចំណុចខ្សោយនៃសមត្ថភាពរបស់ម៉ូដែលមហាធំទូទៅ និងម៉ូដែលយុទ្ធសាស្ត្រ embodied។
RoboColiseum ផ្តោតលើការអនុវត្តតាមការណែនាំ ការយល់ដឹងអំពីលំហ ការសម្របខ្លួនទៅនឹងការរំខាន និងប្រតិបត្តិការទូទៅ ដោយបានដាក់ចេញនូវតារាងចំណាត់ថ្នាក់រងសមត្ថភាពចំនួនបួនប្រភេទ និងភារកិច្ចវាយតម្លៃតាមការក្លែងធ្វើដែលមានភាពស្មោះត្រង់ខ្ពស់ចំនួន 78 ដែលមិនត្រឹមតែបង្ហាញពីដំណើរការតាមផ្នែករបស់ម៉ូដែលប៉ុណ្ណោះ ថែមទាំងកត់ត្រាជំហានបញ្ចប់ភារកិច្ច និងទីតាំងបរាជ័យ ដើម្បីជួយអ្នកអភិវឌ្ឍន៍កំណត់ចំណុចខ្សោយសមត្ថភាពរបស់ម៉ូដែលបានយ៉ាងរហ័ស។
ក្នុងនាមជាភាគីផ្តួចផ្តើមរួម Mifeng បានផ្តល់ឱ្យ RoboColiseum នូវទ្រព្យសម្បត្តិវត្ថុ និងឈុតឆាកក្លែងធ្វើដែលមានភាពស្មោះត្រង់ខ្ពស់ ដើម្បីគាំទ្រការកសាងបរិស្ថានវាយតម្លៃសម្រាប់ភារកិច្ចប្រតិបត្តិការរូបយន្តស្មុគស្មាញ និងផ្តល់ធនធានមូលដ្ឋានសម្រាប់ការសាកល្បងសមត្ថភាពម៉ូដែលក្រោមអន្តរកម្មវត្ថុផ្សេងៗគ្នា ប្លង់លំហ និងលក្ខខណ្ឌបរិស្ថាន។
តើពិន្ទុរបស់ម៉ូដែលក្នុងការក្លែងធ្វើអាចឆ្លុះបញ្ចាំងពីដំណើរការប្រតិបត្តិការពិតប្រាកដបានឬអត់ ក៏ជាចំណុចសំខាន់នៃការវាយតម្លៃដែរ។ យោងតាមលទ្ធផលសាកល្បងជាក់ស្តែងដែលវេទិកាបានប្រកាស ការជាប់ទាក់ទងគ្នារវាងការវាយតម្លៃតាមការក្លែងធ្វើរបស់ RoboColiseum និងការដាក់ពង្រាយលើម៉ាស៊ីនពិតឈានដល់ 89.5% ហើយភាពខុសគ្នានៃការវាយតម្លៃរបស់ម៉ូដែលដូចគ្នារវាងការក្លែងធ្វើ និងពិភពពិតគឺតិចជាង 10% ដែលអាចផ្តល់ឯកសារយោងសម្រាប់ការជ្រើសរើសម៉ូដែល និងការកំណត់បញ្ហាមុនពេលអ្នកអភិវឌ្ឍន៍ចូលដល់ការសាកល្បងលើម៉ាស៊ីនពិត។
Mifeng Technology ផ្តល់នូវប្រព័ន្ធផ្គត់ផ្គង់ទិន្នន័យ "ពេញលេញ ល្អ និងរហ័ស" ដែលគ្របដណ្តប់គំរូទិន្នន័យសំខាន់ៗចំនួនបី គឺម៉ាស៊ីនពិត ការក្លែងធ្វើ និងគ្មានតួរូប។ ផ្នែកការក្លែងធ្វើ Mifeng ផ្តល់ធនធានពីរប្រភេទគឺទ្រព្យសម្បត្តិវត្ថុ និងទ្រព្យសម្បត្តិបរិស្ថាន ដែលគ្របដណ្តប់វត្ថុប្រើប្រាស់ប្រចាំថ្ងៃជាច្រើនប្រភេទ និងឈុតឆាកក្នុងផ្ទះ ព្រមទាំងផ្តល់សមត្ថភាពដូចជា ការកសាងឈុតឆាកឡើងវិញ ការទទួលបានទិន្នន័យគន្លងអ្នកជំនាញ និងការមើលឃើញលទ្ធផលវាយតម្លៃ ដើម្បីជួយក្រុមម៉ូដែលធ្វើការបណ្តុះបណ្តាល និងវាយតម្លៃប្រកបដោយភាពចម្រុះ។
Coliseum ដើមឡើយសំដៅលើសង្វៀនរាងជារង្វង់នៃទីក្រុងរ៉ូមបុរាណ RoboColiseum ប្រើវាជារូបតំណាង ដើម្បីកសាងប្រព័ន្ធវាយតម្លៃជាប្រព័ន្ធពហុវិមាត្រ ដោយប្រើការវាយតម្លៃតាមការក្លែងធ្វើដែលមានភាពស៊ីសង្វាក់ខ្ពស់ជាមួយដំណើរការលើម៉ាស៊ីនពិត ដើម្បីសាងសង់ "សង្វៀន" និង "ទីលានហាត់" សាធារណៈ អព្យាក្រឹត និងអាចផលិតឡើងវិញបានសម្រាប់ម៉ូដែលបញ្ញាសិប្បនិម្មិត embodied។ សាកលវិទ្យាល័យ វិទ្យាស្ថានស្រាវជ្រាវ ឬអ្នកអភិវឌ្ឍន៍សហគ្រាសណាមួយ អាចដាក់ស្នើម៉ូដែលរបស់ខ្លួនឡើង ដើម្បីទទួល "ការប្រឡង" ដែលមានស្តង់ដារមួយ។ ចាប់តាំងពីដាក់ឱ្យដំណើរការក្នុងខែសីហា មានក្រុមជាង 100 ក្រុមពីក្នុង និងក្រៅប្រទេស បានធ្វើការបណ្តុះបណ្តាល និងវាយតម្លៃម៉ូដែលនៅលើវេទិកានេះ។
RoboColiseum ឥឡូវនេះបានបើកជូនអ្នកអភិវឌ្ឍន៍ទូទាំងពិភពលោកហើយ សូមស្វាគមន៍ក្រុមម៉ូដែលឱ្យចូលរួមវាយតម្លៃ។
