Epoch AI 审计 15 个 AI 基准：4 个通过，9 个被发现有缺陷
pvncher · x · 2026-09-18
Epoch AI 推出 Benchmark Reviews 计划，系统性审计 AI 基准测试，首批覆盖 15 个基准：4 个获 Verified 认证，9 个被发现存在缺陷，2 个信息不足无法评审。作者 @charliermarsh 举例称 DeepSWE v1.1 的 verifier 会丢弃 agent 对部分测试文件的修改，但模型并未被告知这一点，导致大量「无关」的失败案例。
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