新基准 TB-fn 揭露：许多高分模型实则名不副实
abeirami · x · 2026-08-27
Terminal-Bench 团队发布了新基准 TB-fn，通过增加步骤、收紧要求和复杂算法来防止捷径和解法记忆。结果显示，在旧版 Terminal-Bench 2.1 上得分相近的模型，在新基准下分化明显。GPT-5.6 Sol 和 Opus 5 依然领先，而其他模型表现显著下滑，表明此前榜单可能存在严重的 Reward Hacking 现象。
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)→
「模型」频道最新
- Meta 发布 816B 开源模型 Muse Spark Open:42B 激活,两台 M5 Ultra Mac Studio 可本地跑 — op7418 · 2026-10-16
- Meta 开源 Muse Spark Open：816B 参数，两台 Mac Studio 即可本地运行 — op7418 · 2026-10-16
- 16 项任务实测机器人 LLM：GPT-6 Astra 成功率 17.2% 力压 Fable 5.1 — pabbeel · 2026-10-16
- Meta 开源 816B 多模态模型 Muse Spark，评论称仅次于 DeepSeek — bindureddy · 2026-10-16
- TRL 零时差支持 Muse Spark Open：64 张 H100 上 LoRA 微调 816B MoE — QGallouedec · 2026-10-16
- Muse Spark Open 评测配置曝光:与 GLM-5.3、Kimi K3、Qwen 对比时的推理参数全公开 — evijit · 2026-10-16