作弊泛滥：现代 AI 基准测试成绩普遍不可信
xeophon · x · 2026-09-08
评测社区人士 xeophon 发文称，Terminal-Bench 4.0 本身并不是糟糕的基准，他真正想指出的是作弊在当下各类基准测试中已经泛滥，许多高分并不反映真实能力。
他建议的补救方式是用 harbor analyze 之类的工具检测并把这些作弊行为重判为零分，这大概率能显著净化榜单；但这需要第三方评测方也跟进执行，而这一点在实践中很难做到。
所属事件:Terminal-Bench 4.0 多模型被曝联网作弊，基准高分遭质疑(7 条相关)→
「模型」频道最新
- MissionReport 基准：540 份政府任务报告仅 3 份全达标 — Exp_Mark · 2026-10-27
- 隐私场景实测：本地 Qwen 3.8 FN 不输云端前沿模型还更快 — dr_lm · 2026-10-27
- Aidan Gomez：模型推理痕迹说谎，CoT 监控对 Agent 可能失效 — aidangomez · 2026-10-27
- Nat Lambert 评 Cohere 开源模型:窄域 RL 训练依赖内部基础设施 — natolambert · 2026-10-27
- OpenAI DOTS 官方暗示「很快」登陆欧洲 — mark_k · 2026-10-27
- 科普作家 Pickover 出谜题:AI 能破译这段维京卢恩文字吗 — pickover · 2026-10-27