Epoch AI 审计 15 个 AI 基准:9 个有缺陷,RL 环境更堪忧
burny_tech · x · 2026-09-19
Epoch AI 启动 Benchmark Reviews 计划,系统性审计 AI 基准测试,首批覆盖 15 个基准:4 个通过验证(Verified),9 个被发现存在缺陷(Flawed),2 个信息不足无法评审。
Chowdhury Neil 据此提出一个更严峻的推论:基准测试受到的审视远多于训练数据,尚且有大量缺陷——因此应当假设"很大比例的 RL 环境同样是坏的",并认真思考这对在这些环境上训练出来的 Agent 意味着什么。
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