GDP基准：真实企业任务评测
echen · x · 2026-07-11
- 新基准发布：推出名为 GDP.pdf 的评测数据集，包含 100 个来自真实企业工作流的任务。
- 专业评分：这些任务由医生、律师、保险理算员和银行家等一线业务专家亲自编写和评分。
- 模型短板：当前 SOTA 模型在处理这些看似枯燥的专业任务时表现不佳，例如在保险理赔中会将房屋错误划入冰雹区域，或漏检明显的损害，却还能生成看似权威的表格。
- 资源开放：已公开数据集和排行榜供测试模型能力。
所属事件:GPT-5.6刷新ARC-AGI-3纪录并在多模态测试中破30%(16 条相关)→
「模型」频道最新
- Business Standard 订阅宣传含 Gemini，实际却不是能测 AI 的档位 — ChrisRackauckas · 2026-10-18
- 付费 Google AI 订阅撞墙：自定义域名账户被要求转个人账号 — ChrisRackauckas · 2026-10-18
- 560B MoE 塞进 4 台 DGX Spark:Ling 3.1 Flash 用 llama.cpp RPC 跑通 — BerryBlush_Rogers691 · 2026-10-18
- OpenRouter 与 API 现身 Aurora 多个 checkpoint,传为 OpenAI 应对 Fable 5.5 — ChrisGPT · 2026-10-18
- 用户追问 OpenAI 成人模式：承诺一年仍未落地 — ___Patrice___ · 2026-10-18
- Polymarket 开盘押注下一款 Gemini 模型由谁发布 — Polymarket · 2026-10-18