Anthropic 基准测试表现引发社区信任危机

近期关于 Anthropic 基准测试分数的讨论在社区引发信任危机。尽管数据显示其表现本身并不差，甚至优于 Opus 4.8，但仍弱于 Fable。有观点指出，只要 Anthropic 在某项基准测试中表现一般，大家就更容易怀疑该测试的可靠性。此外，Anthropic 较高的 ECI 指标进一步放大了分数差距，加剧了外界的困惑与质疑。

2026-07-25 ~ 2026-07-25 · 2 条相关

事件全程(共 9 集)→

• 第 1 集:Opus 5 ARC-AGI-3 高分引发造假与过拟合争议(2026-07-25,11 条)
• 第 2 集:深扒 Opus 5 隐藏推理机制与 ARC-AGI 成绩(2026-07-25,2 条)
• 第 3 集:Anthropic 基准测试表现引发社区信任危机(2026-07-25,2 条)
• 第 4 集:Gary Marcus 批评 ARC-AGI 命名易误导大众(2026-07-27,2 条)
• 第 5 集:前沿AI评测缺失人类基准，人机协同评估成新焦点(2026-07-29,4 条)
• 第 6 集:优化记忆管理设置，GPT-5.6 在 ARC-AGI-3 跑分翻三倍(2026-07-30,27 条)
• 第 7 集:ARC-AGI 3评测机制遭开发者集体质疑(2026-07-30,9 条)
• 第 8 集:Claude Opus的ARC-AGI高分被指受API实现影响(2026-07-30,2 条)
• 第 9 集:ARC-AGI-3评测规则澄清与官方代码库开源(2026-07-30,5 条)

• Anthropic 一跑差分数，基准就更难让人信了 — teortaxesTex · 2026-07-25
• Anthropic 基准分数不差，但高 ECI 放大了分差 — scaling01 · 2026-07-25