基准分数可能越来越不能代表真实生产力
Minimum-Bonus-1365 · reddit · 2026-07-22
这条帖子认为，榜单/基准的胜利已经不能很好代表真实世界中的 AI 表现。
它引用 METR 的研究结论：前沿模型即使在标准评测上表现很好，在长周期、真实的软件工程任务中仍然会明显吃力。核心质疑是，行业是否正在把优化目标从“有用”悄悄变成“刷分”。
「研究」频道最新
- Kimi K3 在网络安全上很强，但 token 效率卡住了评测 — teortaxesTex · 2026-07-27
- ARC AGI 3 应该保持私有，不该公开示例和数据集 — flowersslop · 2026-07-27
- ExploitGym 可能只有六到七成任务可解，引发 OpenAI 作弊争议 — max_paperclips · 2026-07-27
- 5090 本地测试：80k 上下文下 Qwen Q6 速度掉到 15 tok/s — LFAdvice7984 · 2026-07-27
- Chollet 认为智能可能有硬上限，AI 进步会趋于边际递减 — binarybits · 2026-07-27
- 论文提出图拓扑可成为 AI Agent 核心框架 — theomitsa · 2026-07-27