LiveBench 2.0 转向超长真实世界循环评测
bindureddy · x · 2026-07-21
Bindu Reddy 认为，现有 AI benchmark “完全没用”，因为它们无法反映复杂的真实世界场景。
- 他们正在做 LiveBench 2.0，重点评估超长的真实世界循环，而不是狭窄的刷题式任务。
- 这条帖还半开玩笑地说，LiveBench 2.0 会等 Anthropic 发布 Fable 5.1 时一起推出，算是“庆祝新前沿”。
「研究」频道最新
- UCLA 论文:扩散精力与接受宽容度双旋钮,拓宽投机解码速度-质量帕累托前沿 — UCLA · 2026-10-26
- 研究:Git 记录难以审计 AI 参与度,科研仓库需可审计溯源系统 — Koutian Wu · 2026-10-26
- 什么是融合版 DeepLIFT:绕开 hook 的梯度改写如何快 7 倍 — jmschreiber91 · 2026-10-26
- 新研究：AI 智能体谈判能力差，还会故意违约 — menhguin · 2026-10-26
- Cherimoya 融合版 DeepLIFT 合入 v0.3.1,同规模模型归因提速约 7 倍 — jmschreiber91 · 2026-10-26
- 生成式生物学基础设施 proto-tools 开源，CATv1 模型接入 — jmschreiber91 · 2026-10-26