跳到正文
评测基准

内容类型

评测基准 最新动态

模型到底谁更强:Benchmark 评测成绩、评测方法的争议与排行榜变化。

1 条精选近 30 天 1 条共收录 29 条

更新

评测基准的精选

11月10日周二第 1–1 条
  1. 产品与应用·One Useful Thing

    Ethan Mollick 实测 Claude Fable 5.2 称其接近 Jagged AGI

    Ethan Mollick 提前试用 Claude Fable 5.2 后认为,按他给出的定义,即 AI 在多数可用电脑完成的知识任务上达到多数人类专家水平,这已接近 AGI,但仍属他所说的 Jagged AGI。他用硬件破解、创业方案、复现 Auden 课程、原创学术论文和 3D 世界生成等项目测试,多数任务达到专家水准,例如一篇 182 页论文和 450 多个由代码实时绘制的世界。他指出主要短板是模型不会自己发现作品冗长、重复或乏味,评审 agent 只查错不查质量,因此他仍不放心让模型独立经营业务。