Terminal 评测新基准 TB-fn：揭穿模型刷榜假象
abeirami · x · 2026-08-26
针对 Terminal Bench 2.1 榜单上高频出现的新模型，研究者推出了更严格的评测基准 TB-fn。TB-fn 通过增加步骤、收紧要求和复杂化算法，消除了捷径解，并确保验证器仅检查预期标准。结果显示，在原榜单上表现接近的模型在 TB-fn 上差距拉大，仅有少数模型保持领先，而开源模型与前沿模型的差距在更高难度下显现。
所属事件:TB-fn 新基准重测终端模型，揭露刷榜嫌疑(6 条相关)→
「研究」频道最新
- WorldMemArena 中选 NeurIPS:存储式 Agent 记忆评估遭颠覆 — xwang_lk · 2026-10-16
- 机械可解释性老将反思:对齐≠误解泛化,CoT 监督的隐忧 — akbirthko · 2026-10-16
- WEDGE 论文：把导航失败经历变成可学习的训练环境 — _akhaliq · 2026-10-16
- RExBench 基准:最强编码 Agent 自主完成研究扩展成功率仅 33% — najoungkim · 2026-10-16
- Google 发布 CLASHarness:基准测试多智能体冲突下的计算机操作能力 — google · 2026-10-16
- 清华团队证明:普通 Flow Matching 采样无法突破固定深度模型表达力上限 — SQZ · 2026-10-16