Terminal Bench 4 发布：移除 8 个饱和或拒答任务
cwolferesearch · x · 2026-08-30
Terminal Bench 4 已发布，距离上一版仅约一个月，标志着该基准转向持续更新模式。新版未新增任务，但基于 TB3 的反馈移除了 8 个任务，原因包括模型 100% 准确率导致的饱和、高拒答率、存在公开解决方案及其他兼容性问题。主要改进在于降低噪音、修复评估基础设施问题，旨在更准确地衡量模型能力。
所属事件:Terminal-Bench 4.0 发布：Opus 5 领跑、GLM 5.3 成最佳开源(14 条相关)→
「研究」频道最新
- WEDGE 框架：用导航智能体自身失败生成针对性训练环境 — mohitban47 · 2026-10-16
- 上交大 AutoLab 发布 Drive3R:流式 3D 重建基础模型瞄准自动驾驶 — AutoLab-SJTU · 2026-10-16
- 独立研究者发布 Cortex:用重放实测自动进化与修剪编码 Agent 的 skills 和 rules — Samuele Giampieri · 2026-10-16
- 团队用「零延迟实验室」测出 agent 药物发现是否靠预训练记忆作弊 — niloofar_mire · 2026-10-16
- 2.6 亿参数循环扩散模型反超 6 倍大小基线，推理算力省近 5 倍 — burkov · 2026-10-16
- 斯坦福 NCM 先画草稿再并行补细节，单 H100 生成提速 21 倍 — lmoroney · 2026-10-16