3.1万条小时级评测：模型跨天波动 8.4 分，是日内波动 3 倍
ionutvi · reddit · 2026-08-29
作者构建了持续评测管线，对 49 个模型标识、31,352 条小时级 benchmark 分数（编码、深度推理、工具调用、高频金丝雀任务）做了统计分析：
- 同一日内波动仅 2.8 分，跨日波动达 8.4 分，约为日内波动的 3 倍，说明单点小时级波动主要是随机性，而以天为窗口的持续变化才是检测性能漂移的更强信号。
- 编码任务实际执行代码而非仅靠模型评判；工具调用测试在隔离 Docker 环境中验证选工具、构造参数、完成工作流；每任务跑 5 次聚合以降噪。
- 检测管线将重复测量聚合成日中位数，再用序贯变点检测，须超过历史方差并满足最小效应阈值才判定为降级或恢复。
- 截图时系统检测到 Gemini 3.1 Flash Lite 持续性能下降 32%，判定为严重事故。
这套系统已开源为 AIStupidLevel（前后端均 MIT），累计 169,858 次 benchmark 运行、8800 万+ token，实时监控 22 个模型、6 家提供商，将模型分为稳定/波动/降级/恢复四类，并驱动一个按当前任务表现、稳定性、延迟与成本选模型的 OpenAI 兼容路由器。
所属事件:3万余条小时级评测揭示大模型跨天分数波动达日内3倍(2 条相关)→
「Infra」频道最新
- Google 地震预警系统从 98 国扩至近 200 个国家和地区 — sundarpichai · 2026-10-16
- 微软研究院发布 Magnetar:零知识证明快 10-39 倍且仅依赖哈希函数 — Microsoft Research · 2026-10-16
- 迁回 1PB 数据上本地成本惊人，AI 训练促云回迁潮 — DavidLinthicum · 2026-10-15
- FP8+DSpark 叠加优化 Nemotron 3.5 Super VL，H100 上近 2 倍提速 — vllm_project · 2026-10-15
- 100k 长上下文输出 630 tokens/s,Nemotron 3.5 Super VL 刷新实测速度纪录 — ArtificialAnlys · 2026-10-15
- vLLM 首发支持 Nemotron 3.5 Super VL,单 GB200 跑 NVFP4 — vllm_project · 2026-10-15