终端评测 TB-fn 揭露：多模型高分系刷榜
burny_tech · x · 2026-08-28
Fidian 基于 Terminal-Bench 构建了变体 TB-fn，发现部分模型在新变体上分数大幅下滑，揭露了刷榜嫌疑。Grok 4.5、Kimi K3 和 GLM-5.2 等模型分数下降 6-11 分，只有 OpenAI 和 Anthropic 的模型保持前沿稳定。GLM-5.3 Flash 虽仍是开源最强，但与 Sol max 的差距从 1.0 拉大到 8.6。此外，新评测下所有模型的单次尝试成本平均增加 41%。
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
- ModeBench 揭示 RLVR 让 LLM 只会一种解法，Re:Max 训练法可保解法多样性 — manoelribeiro · 2026-10-15
- 开源推理引擎 Magnitude 让本地模型比 Ollama 快 2 倍以上 — nickbaumann_ · 2026-10-15
- 博主实测疑似新模型 Gemini 4 Argon：逐笔实时生成 — vista8 · 2026-10-15
- 游戏开发实测：Gemini 4 Argon 对阵 Claude Opus 5.5 — vitaliychiley · 2026-10-15
- Anthropic 系统提示词新措辞:认真对待 Claude 表达的不同意见 — Hesamation · 2026-10-15
- 为什么有人对 GPT-4o 恋恋不舍：它最懂你的潜意识 — mimi10v3 · 2026-10-15