Singularity Gate 测试模型预测发现能力
queenofartists · reddit · 2026-07-16
帖子介绍了一个名为 Singularity Gate 的 benchmark，用来测试前沿模型能否预测训练截止日之后发表的、可能带来范式变化的科学发现。
主要结果
- Claude Fable 5 当前表现最好。
- 但原版 Fable 5 只对 45% 的任务作答，最新版本仅 39%，且最新版本还有轻微性能退化。
- GPT-5.6 Sol 相比 GPT-5.5 有明显提升，超过了同价位的 Claude Opus 4.8，并且以更好的价格/可用性接近 Fable 5。
- 作者认为，Fable 的严格拒答策略值得质疑，因为 GPT-5.6 在不那么多拒答的情况下给出了相近表现。
额外说明
- 目前没有任何模型能真正“预测发现/发明”。
- 所有模型都在各自原生 agentic harness 中测试，并允许工具使用；关闭了 web search。
「模型」频道最新
- AI 日报:传 OpenAI GPT-Live-1 上 API,Pro 订阅暂停新注册 — koltregaskes · 2026-09-11
- 同题 Echo Maze 实测:三大模型看似成功,代码里藏着同一个 bug — eyishazyer · 2026-09-11
- 新基准一出分数暴跌 70 点:「刷榜」现象如何让跑分失真 — airesearch12 · 2026-09-11
- ChatGPT 竟劝用户「问题太复杂,去试试更笨的回答」 — phido3000 · 2026-09-11
- 有人要建全模型基准分数汇总页 — airesearch12 · 2026-09-11
- 爆料称 Kimi 疑似转发 Claude 冒充自家成绩，DeepSeek 新模型评测反超 — realsohamparekh · 2026-09-11