<?xml version="1.0" encoding="UTF-8"?>
<rss version="2.0" xmlns:atom="http://www.w3.org/2005/Atom">
  <channel>
    <title>AI Benchmark</title>
    <link>https://aibenchmark.gr/</link>
    <description>Τεχνικές ειδήσεις για τα γλωσσικά μοντέλα με πραγματικούς αριθμούς: benchmarks, έρευνες, αξιολογήσεις και τεχνικές αναφορές.</description>
    <language>el</language>
    <lastBuildDate>Fri, 20 Nov 2026 23:19:18 GMT</lastBuildDate>
    <atom:link href="https://aibenchmark.gr/feed.xml" rel="self" type="application/rss+xml"/>
    <item>
      <title>Προσαρμογέας LoRA για το Qwen3.8-27B: Terminal-Bench 2.1 από 39.5% σε 55.8% με RL μέσα στο harness</title>
      <link>https://aibenchmark.gr/news/prosarmogeas-lora-gia-to-qwen3-8-27b-terminal-bench-2-1-apo-39-5-se-55-8-me-rl/</link>
      <guid isPermaLink="true">https://aibenchmark.gr/news/prosarmogeas-lora-gia-to-qwen3-8-27b-terminal-bench-2-1-apo-39-5-se-55-8-me-rl/</guid>
      <description>Η Hugging Face εκπαίδευσε με ενισχυτική μάθηση προσαρμογείς για πράκτορες κώδικα. Στο pi η επιτυχία στο Terminal-Bench 2.1 ανεβαίνει από 39.5% σε 55.8%, με περίπου μισά tokens ανά εργασία.</description>
      <pubDate>Fri, 20 Nov 2026 22:21:43 GMT</pubDate>
      <category>Έρευνα</category>
    </item>
    <item>
      <title>DaisyRose-27B: το pass@1 στο Terminal Bench 4.1 ανεβαίνει από 5.6% σε 12.0% με 1.200 εργασίες</title>
      <link>https://aibenchmark.gr/news/daisyrose-27b-to-pass-1-sto-terminal-bench-4-1-anevainei-apo-5-6-se-12-0-me-1/</link>
      <guid isPermaLink="true">https://aibenchmark.gr/news/daisyrose-27b-to-pass-1-sto-terminal-bench-4-1-anevainei-apo-5-6-se-12-0-me-1/</guid>
      <description>Η RadixArk κυκλοφόρησε το DaisyRose-27B, μοντέλο βασισμένο στο Qwen3.8-27B και εκπαιδευμένο με reinforcement learning. Η ίδια αναφέρει άνοδο σε και στα επτά benchmarks που δημοσιεύει.</description>
      <pubDate>Thu, 19 Nov 2026 22:21:36 GMT</pubDate>
      <category>Τεχνικές αναφορές</category>
    </item>
    <item>
      <title>GPT-6.2 Astra και Sol: Astra στους 62 βαθμούς του Artificial Analysis Intelligence Index, με τιμή API 8/40 δολάρια</title>
      <link>https://aibenchmark.gr/news/gpt-6-2-astra-kai-sol-astra-stoys-62-vathmoys-toy-artificial-analysis/</link>
      <guid isPermaLink="true">https://aibenchmark.gr/news/gpt-6-2-astra-kai-sol-astra-stoys-62-vathmoys-toy-artificial-analysis/</guid>
      <description>Η OpenAI κυκλοφόρησε στις 17 Νοεμβρίου 2026 τα GPT-6.2 Astra και Sol. Η Artificial Analysis βάζει το Astra δεύτερο με 62 βαθμούς, πίσω από το Claude Fable 5.2 (65), ενώ η τιμή του Astra στο API μειώθηκε κατά 20%.</description>
      <pubDate>Wed, 18 Nov 2026 22:23:05 GMT</pubDate>
      <category>Benchmarks</category>
    </item>
    <item>
      <title>MLPerf Training v6.1: 250 υποβολές, συστήματα έως 10.240 GPU και Vera Rubin έως 2x ανά GPU έναντι GB300</title>
      <link>https://aibenchmark.gr/news/mlperf-training-v6-1-250-ypovoles-systimata-eos-10-240-gpu-kai-vera-rubin-eos/</link>
      <guid isPermaLink="true">https://aibenchmark.gr/news/mlperf-training-v6-1-250-ypovoles-systimata-eos-10-240-gpu-kai-vera-rubin-eos/</guid>
      <description>Η MLCommons δημοσίευσε τον γύρο v6.1 με δύο νέα benchmarks και μεγαλύτερα συστήματα. Η NVIDIA αναφέρει ότι το Vera Rubin NVL72 φτάνει έως 2x την απόδοση ανά GPU του GB300 NVL72.</description>
      <pubDate>Tue, 17 Nov 2026 22:21:48 GMT</pubDate>
      <category>Benchmarks</category>
    </item>
    <item>
      <title>Qwen4-Max της Alibaba: 2,4 τρισ. παράμετροι, 71 δισ. ενεργές και κόστος ανά εργασία στα $3,27</title>
      <link>https://aibenchmark.gr/news/qwen4-max-tis-alibaba-2-4-tris-parametroi-71-dis-energes-kai-kostos-ana-ergasia/</link>
      <guid isPermaLink="true">https://aibenchmark.gr/news/qwen4-max-tis-alibaba-2-4-tris-parametroi-71-dis-energes-kai-kostos-ana-ergasia/</guid>
      <description>Η Alibaba παρουσίασε το Qwen4-Max, κλειστό μοντέλο mixture-of-experts με παράθυρο 1 εκατ. tokens. Η εταιρεία δηλώνει 62% χαμηλότερο κόστος ανά εργασία Work360, ενώ η Artificial Analysis δίνει 43 βαθμούς στον δείκτη της.</description>
      <pubDate>Mon, 16 Nov 2026 20:45:21 GMT</pubDate>
      <category>Τεχνικές αναφορές</category>
    </item>
    <item>
      <title>TokenEconomizer: μείωση κόστους 18,4–30,9% για coding agents σε 277 εργασίες SWE-Bench</title>
      <link>https://aibenchmark.gr/news/tokeneconomizer-meiosi-kostoys-18-4-30-9-gia-coding-agents-se-277-ergasies-swe/</link>
      <guid isPermaLink="true">https://aibenchmark.gr/news/tokeneconomizer-meiosi-kostoys-18-4-30-9-gia-coding-agents-se-277-ergasies-swe/</guid>
      <description>Η Microsoft Research παρουσιάζει το TokenEconomizer, plugin ανοιχτού κώδικα που μαθαίνει από παλαιότερες συνεδρίες σε ένα repository. Στις μετρήσεις της ομάδας το μέσο κόστος ανά εργασία έπεσε 18,4–30,9%.</description>
      <pubDate>Mon, 16 Nov 2026 20:45:21 GMT</pubDate>
      <category>Ταχύτητα και κόστος</category>
    </item>
    <item>
      <title>LLMON: γλώσσα σήμανσης για γλωσσικά μοντέλα στα Granite 4.1 3B και 8B, με στόχο τις έμμεσες επιθέσεις εντολών</title>
      <link>https://aibenchmark.gr/news/llmon-glossa-simansis-gia-glossika-montela-sta-granite-4-1-3b-kai-8b-me-stoxo/</link>
      <guid isPermaLink="true">https://aibenchmark.gr/news/llmon-glossa-simansis-gia-glossika-montela-sta-granite-4-1-3b-kai-8b-me-stoxo/</guid>
      <description>Δύο πειραματικές εκδόσεις των Granite 4.1, με 3B και 8B παραμέτρους, μαθαίνουν σήμανση που ξεχωρίζει τις εντολές από τα δεδομένα. Τα αποτελέσματα που δίνεται δείχνουν σχεδόν μηδενική επιτυχία επιθέσεων σε ένα τεστ.</description>
      <pubDate>Mon, 16 Nov 2026 16:19:25 GMT</pubDate>
      <category>Τεχνικές αναφορές</category>
    </item>
    <item>
      <title>MLPerf Training v6.1: 153 συστήματα, 250 αποτελέσματα και δύο νέα benchmarks, με Qwen3.5-397B</title>
      <link>https://aibenchmark.gr/news/mlperf-training-v6-1-153-systimata-250-apotelesmata-kai-dyo-nea-benchmarks-me/</link>
      <guid isPermaLink="true">https://aibenchmark.gr/news/mlperf-training-v6-1-153-systimata-250-apotelesmata-kai-dyo-nea-benchmarks-me/</guid>
      <description>Η MLCommons ανακοίνωσε στις 16 Νοεμβρίου 2026 τα αποτελέσματα του MLPerf Training v6.1, με 153 συστήματα και 250 αποτελέσματα, καθώς και τα DLRMv4-HSTU και Qwen3.5-397B ως νέα benchmarks.</description>
      <pubDate>Mon, 16 Nov 2026 16:19:25 GMT</pubDate>
      <category>Benchmarks</category>
    </item>
    <item>
      <title>Token pooling-aware training: διατήρηση 97.8% του nDCG@10 στο NanoBEIR με 4x λιγότερα διανύσματα</title>
      <link>https://aibenchmark.gr/news/token-pooling-aware-training-diatirisi-97-8-toy-ndcg-10-sto-nanobeir-me-4x/</link>
      <guid isPermaLink="true">https://aibenchmark.gr/news/token-pooling-aware-training-diatirisi-97-8-toy-ndcg-10-sto-nanobeir-me-4x/</guid>
      <description>Σε ανάρτηση στο Hugging Face, ο συγγραφέας αναφέρει ότι η εκπαίδευση με επίγνωση του token pooling ανεβάζει τη διατήρηση του nDCG@10 από 94.6% σε 97.8% με pool_factor=4, στο ίδιο μέγεθος αποθήκευσης.</description>
      <pubDate>Mon, 16 Nov 2026 16:19:25 GMT</pubDate>
      <category>Έρευνα</category>
    </item>
    <item>
      <title>Lazarus: Microsoft Research περιγράφει backdoor σε LLM με επαναπρογραμματισμό λιγότερων από 10 νευρώνων</title>
      <link>https://aibenchmark.gr/news/lazarus-microsoft-research-perigrafei-backdoor-se-llm-me-epanaprogrammatismo/</link>
      <guid isPermaLink="true">https://aibenchmark.gr/news/lazarus-microsoft-research-perigrafei-backdoor-se-llm-me-epanaprogrammatismo/</guid>
      <description>Η Microsoft Research αναφέρει ότι η αλλαγή βαρών σε λιγότερους από 10 αδρανείς νευρώνες αρκεί για backdoor σε agent, χωρίς εκπαίδευση. Το μοντέλο συνεχίζει να περνά τις τυπικές αξιολογήσεις.</description>
      <pubDate>Mon, 16 Nov 2026 16:19:25 GMT</pubDate>
      <category>Έρευνα</category>
    </item>
    <item>
      <title>XYBench: νέο benchmark με 8.115 ερωτήσεις μετρά αν τα μοντέλα εντοπίζουν το πραγματικό πρόβλημα του χρήστη</title>
      <link>https://aibenchmark.gr/news/xybench-neo-benchmark-me-8-115-erotiseis-metra-an-ta-montela-entopizoyn-to/</link>
      <guid isPermaLink="true">https://aibenchmark.gr/news/xybench-neo-benchmark-me-8-115-erotiseis-metra-an-ta-montela-entopizoyn-to/</guid>
      <description>Η Hugging Face παρουσίασε το XYBench, που ελέγχει αν πέντε μοντέλα εντοπίζουν την εσφαλμένη παραδοχή πίσω από μια ερώτηση. Στα αποτελέσματα, όλα υστερούν των ανθρώπων στο να στρέφουν τον χρήστη στον πραγματικό στόχο.</description>
      <pubDate>Mon, 16 Nov 2026 16:19:25 GMT</pubDate>
      <category>Benchmarks</category>
    </item>
    <item>
      <title>BotPsy 0.8B της Tether AI Research: 44.0 στο BFCL v4 έναντι 23.4 του βασικού μοντέλου</title>
      <link>https://aibenchmark.gr/news/botpsy-0-8b-tis-tether-ai-research-44-0-sto-bfcl-v4-enanti-23-4-toy-vasikoy/</link>
      <guid isPermaLink="true">https://aibenchmark.gr/news/botpsy-0-8b-tis-tether-ai-research-44-0-sto-bfcl-v4-enanti-23-4-toy-vasikoy/</guid>
      <description>Η Tether AI Research παρουσίασε το BotPsy, μοντέλο 0.8B παραμέτρων για κλήση εργαλείων σε συσκευή. Σύμφωνα με τα δικά της αποτελέσματα, διπλασιάζει περίπου τις επιδόσεις του Qwen3.5-0.8B-Think στα agentic benchmarks.</description>
      <pubDate>Mon, 16 Nov 2026 16:19:25 GMT</pubDate>
      <category>Τεχνικές αναφορές</category>
    </item>
  </channel>
</rss>
