Prime Intellect 审计热门 AI 评测基准发现严重缺陷

Prime Intellect 团队对多个流行的公开评测基准进行审计，发现 AutomationBench 与 OfficeQA Pro v2 等基准存在数据问题，xeophon 的「BenchmarkGate」帖与 Hamel Husain 的转述进一步披露热门评测还存在评分器缺陷。修复这些问题后，相关基准的评测结果已接近饱和，引发社区对当前基准可靠性的广泛讨论。

2026-11-04 ~ 2026-11-04 · 2 条相关