BixBench3: පරිගණකමය ජීව විද්‍යාවේ අමු දත්තවල සිට සම්පූර්ණ අධ්‍යයනය දක්වා හොඳම AI නියෝජිත ලකුණ 0.48 පමණි

වත්මන් නියෝජිත මිණුම්සලකුණු බොහොමයක් තනි කාර්යයන් මනින අතර, නියෝජිතයන්ට අමු දත්තවල සිට නිගමනය දක්වා සම්පූර්ණ ජීව විද්‍යා අධ්‍යයනයක් ක්‍රියාත්මක කළ හැකිද යන්න කලාතුරකින් පරීක්ෂා කෙරේ. 2026 අගෝස්තු 26 වන දින arXiv වෙත ඉදිරිපත් කරන ලද, තවම සම-සමාලෝචනයට (peer review) ලක් නොවූ සේන් කෝච් (Zane Koch), අස්මාමෝ ටී. වස්සි (Asmamaw T. Wassie) සහ සහයෝගීන්ගේ මිණුම්සලකුණක් එම පරතරය පියවීමට උත්සාහ කරයි.

BixBench3 හි කාර්යයන් 20ක් සහ ශ්‍රේණිගත කළ කෘතිම නිෂ්පාදන (artefacts) 138ක් ඇත; ප්‍රමුඛ ආකෘති (frontier models) 13ක් අතරින් හොඳම ලකුණ 0.48 ක් පමණක් බව කතුවරුන් වාර්තා කරයි. විශාල දත්ත ප්‍රමාණ සහ දිගු කාර්ය ප්‍රවාහවලදී කාර්ය සාධනය සැලකිය යුතු ලෙස පහත වැටේ.

මෙම මිණුම්සලකුණ සම්බන්ධීකරණ (orchestration) සහ දත්ත ප්‍රමාණ සීමාවන් හෙළිදරව් කරන අතර, පර්යේෂණ ස්වයංක්‍රීයකරණයේ වත්මන් තත්ත්වය මැනීමට මූලික මෙවලමක් ලෙස සේවය කළ හැක.

සීමාවන්: මෙය පූර්ව-මුද්‍රණයක් (preprint) වන අතර, කතුවරුන් විසින් වාර්තා කරන ලද්දක්, ආකෘතියට සහ අනුවාදයට සංවේදී, ස්වාධීනව ප්‍රතිනිෂ්පාදනය නොකළ එකකි.