RadLE-R：模型可靠性接近人类基线
DrDatta_AIIMS · x · 2026-07-13
这条继续展开 RadLE-R（Reliability Index）：衡量模型给出“可自动处理”答案时，这个答案到底靠不靠谱。
结果显示：
- Claude Fable 5 的可靠性几乎贴近人类专家基线。
- Meta Muse Spark 1.1 和 Gemini 3.1 Pro 排在其后。
- 但多数模型一旦进入“可靠性”而不是“准确率”维度，分数都会明显下滑。
作者的结论是：模型确实在变准，但它们的“自信”还不能稳定信任；如果自信不可控，自主性就不可控。
所属事件:RadLE 2.0发布：医疗AI评测聚焦不确定性(8 条相关)→
「模型」频道最新
- OpenAI 发布 GPT-6.1 Terra，Brockman 称电脑操作已快过人类 — gdb · 2026-10-27
- Debate Benchmark 新榜：Kimi K3.1 Pro 不升反降，DeepSeek 1017 微涨 — teortaxesTex · 2026-10-27
- 用 LLM 研究 4 小时创业点子，产出的却是一套 nonsense 产品论 — annetgriffin · 2026-10-27
- 开发者吐槽 Claude 烧 token：同样工作 GPT 省 3 倍用量更便宜 — haider1 · 2026-10-27
- 非刷榜评测中 MiniMax 表现比肩 Claude 4.5,引发社区关注 — teortaxesTex · 2026-10-27
- 实测算账：GPT-6.1 Terra 半价却更费 token，反而比 Sol 更贵 — lordpuddingcup · 2026-10-27