标签 | Benchmark
共计5篇博客
谁来给AI的证明盖章？Axiom、OpenAI、Ai2同周揭开科研质检难题
Axiom 用 24 天让 AI 重写人类最长的数学证明，OpenAI 请 ETH 提出者亲自核查 AI 的结论，Ai2 发现 AI 裁判改几个字就翻判。AI 的产量翻了百倍，验货的还是那几个人。
#AI 工具- 大模型
- Claude
- OpenAI
- +3
最强AI拿真实工作考核65分！Epoch曝光：GPT把自己的bug写成研究发现
Epoch 把自家真实工作交给 6 个模型考核，最强的 Claude Fable 5.1 和 GPT-6 Astra 平均只拿 65 分；同一周 GPT-6.1 Terra 价格砍半。能写进手册的活越来越便宜，丢分的全是没写进手册的判断力。
#AI 工具- 大模型
- Claude
- OpenAI
- +3
Gemini 4 Argon跑出97.5%！同一模型另一张成绩单只有49.8%
同一个Gemini 4 Argon，在厂商适配框架和标准框架下分别得到97.5%与49.8%。记忆机制有何不同，API故障又如何影响解读？高分之外，还得看模型带着什么装备进考场。
#AI 工具- 大模型
- OpenAI
- Agent 工程化
- +2
同一道题换个说法，模型分数能差74.7个百分点——我们用来衡量AI的尺子，本身就是歪的
IBM BenchDrift论文发现：在同一道数学题、同一个正确答案的前提下，仅仅因为题目的措辞不同，大语言模型的准确率波动幅度平均是74.7个百分点。排行榜第一名可能只是碰巧没被这套措辞难住的幸运儿。
#AI 工具- AI
- Benchmark
- AI研究
模型发布会晒分，你到底该看哪一项？2026 AI Benchmark 地图
模型发布会的成绩单该怎么看？从代码、工具、专业领域到通用智能，梳理19项主流AI benchmark到底在测什么。
- AI
- Agent
- Benchmark