BullshitBench 榜单更新:GPT-6-Astra 领先历代 OpenAI 模型仍未及 Anthropic
scaling01 · x · 2026-09-11
- petergostev 更新了 BullshitBench(测模型夸大/胡说程度的榜单)并重做了可视化数据查看器。
- 结果显示 GPT-6-Astra 明显好于此前所有 OpenAI 模型,但仍未达到 Anthropic 顶级模型的水平。
- 作者坦承评测困境:当前 judge 用的是 Sonnet 4.6、GPT-5.2 和 Gemini 3.1 Pro 等旧模型;若用 Astra 级新模型重评全部回复约需 3000 美元,换 judge 又会破坏榜单连续性,且旧 judge 可能误判(Astra 不少 Amber 等级或被低估)。
「模型」频道最新
- AI Sextet 活动:6 模型 14 天完全免费,含 DeepSeek/Qwen/GLM — airesearch12 · 2026-09-11
- Anthropic 发布迄今最详尽威胁情报报告:无人机蜂群滥用案例曝光 — soumitrashukla9 · 2026-09-11
- Agent Astra 在 GauntletBench 得 83%,成首个超人类基线的电脑操作 Agent — ducha_aiki · 2026-09-11
- Kimi K2.8 Preview 上线：性能接近 K3、1M 上下文全档开放 — teortaxesTex · 2026-09-11
- 有人想给软件工程任务建「形态分类」数据库,好按任务选模型 — StewartalsopIII · 2026-09-11
- 用户呼声下 DeepSeek V4 Pro API 宣布继续服务,计费不变 — teortaxesTex · 2026-09-11