Benchmark Heaven 上线：聚合 100 项基准、800 个模型，首创 Benchmaxxing 分数
airesearch12 · x · 2026-09-18
开发者 airesearch12 发布模型评测聚合站 Benchmark Heaven（beta），核心亮点：
- 覆盖 100 个基准、800 个模型，提供综合 Composite Score
- 首创 Benchmaxxing 分数：识别模型是否只刷热门公开基准，在无法「训练针对性」的新/private 基准上露馅，间接检测测试集污染
- 按「每任务成本」而非每 token 定价对比，支持多种输入/输出比例假设
- 支持按托管地区（EU/中国/美国）、数据保密政策、开源与否、是否区分推理模型等多维过滤
配套帖解释了 Benchmaxxing 的动机：模型在人人引用的基准上「99% 准确」，可能只是训练集见过测试题。
所属事件:Benchmark Heaven 开源上线：聚合 800 模型跑分与真实任务成本(12 条相关)→
「模型」频道最新
- 别再按月租智能了:Anthropic 服务端新规再掀开模型之争 — alex_verem · 2026-11-02
- Epoch AI 实验：GLM 5.3 连续攻破 6 个 Firefox 版本，单次成本约 1000 美元 — rohanpaul_ai · 2026-11-02
- SemiAnalysis：安全分类器压分，Opus 5.5 与 GPT-6 Astra 排名被低估 — morqon · 2026-11-02
- 1.7B 本地模型 LFM3 在 MacBook 上首次答对曼城赛程查询 — NielsRogge · 2026-11-02
- Similarweb：Claude 升级页流量 9 月回升至 1760 万，逼近 5 月峰值 — firstadopter · 2026-11-02
- 开源 GLiNER-PII 单卡 550ms 抓出病历 13 项身份标识,仍漏医院名 — MaziyarPanahi · 2026-11-02