开源权重模型在分诊测试中明显落后，Llama 3.3 70B 仅接近零分
zakkohane · x · 2026-07-23
同一项临床分诊研究里，开源权重模型和闭源前沿模型的差距也很明显。
- Llama 3.3 70B 的整体 κ 只有 0.03，在简单题对上是 0.13，难题对甚至是负数。
- GLM-4.7 为 0.24，Kimi K2-Thinking 为 0.35。
- 作者的结论是：这批开源权重模型里最好的表现，大致只相当于2024 年闭源前沿的水平。
所属事件:临床分诊重测:闭源前沿模型一致性远超开源(6 条相关)→
「模型」频道最新
- 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
- 用户呼声下 DeepSeek V4 Pro API 宣布继续服务,计费不变 — teortaxesTex · 2026-09-11
- 第三方实测:DeepSeek V4.1 Flash 达 GPT-6 Astra 98% 分,成本仅 1.4% — ayushtweetshere · 2026-09-11