别把评测分数差一两分看太重
xeophon · x · 2026-07-19
作者强调，ECI 结果本身并不是问题，关键在于要理解这是 IRT（项目反应理论）框架下的测量结果，不能把分数差异直接当成绝对优劣。
他提醒：所有模型的误差条都很大，因此“某个模型只是多了 1–2 分就严格更强”的说法并不可靠。解读这类榜单时，应把不确定性和统计误差一起看。
「模型」频道最新
- AI Sextet 活动:6 模型 14 天完全免费,含 DeepSeek/Qwen/GLM — airesearch12 · 2026-09-11
- Anthropic 发布迄今最详尽威胁情报报告:无人机蜂群滥用案例曝光 — soumitrashukla9 · 2026-09-11
- BullshitBench 榜单更新:GPT-6-Astra 领先历代 OpenAI 模型仍未及 Anthropic — scaling01 · 2026-09-11
- Agent Astra 在 GauntletBench 得 83%,成首个超人类基线的电脑操作 Agent — ducha_aiki · 2026-09-11
- Kimi K2.8 Preview 上线：性能接近 K3、1M 上下文全档开放 — teortaxesTex · 2026-09-11
- 有人想给软件工程任务建「形态分类」数据库,好按任务选模型 — StewartalsopIII · 2026-09-11