Opus 5 基准分更高，真实使用却明显落后 Fable
petergyang · x · 2026-07-26
- 转述的分析认为，今天常用的公开基准已经几乎无法真实区分前沿模型。
- 作者举例称，Opus 5 在真实任务里明显不如 Fable，但却在很多 benchmark 上占优，说明榜单和实际体验已经脱节。
- 因此他更信任用私有数据集做的领域评测，甚至认为未来每个团队都可能自己跑 eval，而不是依赖公共榜单。
- 贴文还暗示 Anthropic 对 5 系列 的训练方式在变化，但原帖截断，完整比较未展示。
所属事件:Opus 5 实测：单 prompt 生成惊艳，复杂任务仍逊 Fable(24 条相关)→
「模型」频道最新
- 曝 Meta Muse Agent 内置邀请码逻辑,或携额外免费额度上线 — testingcatalog · 2026-09-11
- 同题 Echo Maze 实测:三大模型看似成功,代码里藏着同一个 bug — eyishazyer · 2026-09-11
- 新基准一出分数暴跌 70 点:「刷榜」现象如何让跑分失真 — airesearch12 · 2026-09-11
- ChatGPT 竟劝用户「问题太复杂,去试试更笨的回答」 — phido3000 · 2026-09-11
- Anthropic 调整年龄验证,Claude 不再向未成年人开放 — Muhammad523 · 2026-09-11
- 有人要建全模型基准分数汇总页 — airesearch12 · 2026-09-11