Epoch AI 发起 Benchmark Reviews:15 个 Agent 基准中 9 个被判定有缺陷
burny_tech · x · 2026-09-19
- Epoch AI 推出 Benchmark Reviews,新计划系统性审计 AI 基准测试,首批覆盖 15 个 AI agent 基准。
- 初步结论:仅 4 个通过验证(Verified),9 个被判定存在缺陷(Flawed),2 个因信息不足无法评审。
- ddkang(往期工作)呼应:AI agent 基准「早就坏了」,其团队 2025 年 7 月曾发布建立严格 agent 基准最佳实践的工作,与本计划相互印证。
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