Epoch 给 15 个 AI 基准打分,4 Verified 9 Flawed 遭同行质疑
simonguozirui · x · 2026-09-19
Epoch AI 推出 Benchmark Reviews 计划,首轮审查 15 个 AI 基准:4 个 Verified、9 个 Flawed、2 个信息不足。但转发者 alexgshaw 认为其做法有缺陷:所有基准都是软件,软件必有 bug,用二元「flawed/verified」标签而非工具化方式处理并不合理。他主张行业应转向「持续基准」(continuous benchmarks)——提供让任何人创建、改进、维护基准并把结果对齐到最新版本的工具,并邀请 Epoch 把其审查实践编入此类工具。
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