Epoch AI 启动基准审计:15 个基准 9 个被判「有缺陷」引反弹
DimitrisPapail · x · 2026-09-19
Epoch AI 推出 Benchmark Reviews 审计计划,首批审查 15 个 AI 基准:4 个 Verified、9 个 Flawed、2 个信息不足。其评价 Terminal Bench 4.0 中 45.5% 的任务经审查存在缺陷,被指「Flawed/Broken」后引发争议。Berkeley 教授 Alex Dimakis 反驳:TB4 是大型社区工程,所提 bug 多为 GitHub 上已公开、社区正在修复的问题;实际任务缺陷仅影响排行榜不到 3% 的 rollout,把有 open issue 的开源基准称为 broken 不公平,审计更有价值的做法应是发现未知问题。
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