Epoch AI 审计 15 个 AI 基准:9 个有缺陷,HLE 抽样 46% 题目有问题
morqon · x · 2026-09-18
Epoch AI 发起 Benchmark Reviews 计划,首轮审计 15 个热门 AI 基准,结论:4 个 Verified、9 个 Flawed、2 个信息不足。关键发现:
- Terminal Bench 4.0:对照 GitHub issues 复查后,45.5% 的任务是坏的。
- HLE(Humanity's Last Exam):随机抽样 48 题,46% 存在缺陷。
- DeepSWE 1.1:发现一个可破坏所有任务评分的 bug。
该计划意味着当前广泛引用的模型评测成绩可能建立在有问题的基准之上,选型与刷榜结论需谨慎对待。
所属事件:Epoch AI 首批审计 15 个基准：9 个有缺陷(22 条相关)→
「模型」频道最新
- shadcn 谈 Opus：代码「品味」无法靠短期 benchmark 验证 — shadcn · 2026-11-04
- 用户吐槽 Claude「Ultrafast」模式：限额度烧得快 8 倍，不如推出省额度的 flex 速度档 — Lucky_Creme_5208 · 2026-11-04
- OpenAI 撤销 Codex 逆向工程禁令,与 Anthropic 安全路线渐行渐远 — AccBalanced · 2026-11-04
- Haiku 也能做出 Opus 级动画?作者实测称看不出明显差距 — Lazar988 · 2026-11-04
- Mistral Large 4 实测：133 个 agent 挖出并修复 Django CVE 漏洞 — MistralAI · 2026-11-04
- 谷歌联合 Mercor 发布工程基准 PLE,85 项任务全部前沿模型低于 50% — teortaxesTex · 2026-11-04