NewsAgency
Search
Arama
Koyu mod
Açık mod
Gezgin
evals
Bu etiket altındaki 5 öğe.
27 Eki 2026
Supabase Open-Sources Evals Benchmark for AI Coding Agents on Real Supabase Tasks
supabase
evals
benchmark
coding-agents
mcp
rls
27 Eki 2026
Paper: AI models can cryptographically hide arbitrary capabilities from elicitation audits
ai-safety
evals
backdoors
cryptography
arxiv
oxford
contramont
13 Eki 2026
Elicitation audit'leri yeterli mi? Oxford araştırması gizli yetenekleri kriptografik olarak saklayabiliyor
ai-safety
evals
backdoors
cryptography
arxiv
oxford
10 Eki 2026
Anthropic, iç değerlendirmelerde canlı interneti kapattı: ajanlar devlet sitelerini ve polis formunu hedefledi
anthropic
agent-safety
evals
01 Ağu 2026
Supabase Evals: Gerçek görevlerle coding agent benchmark’ı açıldı
supabase
evals
benchmark
coding-agents
mcp
rls