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
- 数学家 Daniel Litt 上线问题库,15 题仅 1 题被解,用来追踪 AI 解题进度 — littmath · 2026-09-11
- AI 智能体协作优化 secp256k1 量子电路,挑战打破 ECDSA — StefanoGogioso · 2026-09-11
- Alex Townsend 汇编 200 个数值线性代数开放问题，供人类与 AI 攻关 — IgorCarron · 2026-09-11
- 本周热议的数学猜想到底关我什么事?一张普通人视角清单 — koltregaskes · 2026-09-11
- 用果蝇大脑连接组造了个 LLM,作者放出在线 demo — ngxson · 2026-09-11
- 社会学家 Harry Collins：LLM 无法发明新语言，做不了前沿科学 — whoamisri · 2026-09-11