私有评测黑箱遭吐槽：看不了样本，只能靠猜
xeophon · x · 2026-09-23
xeophon 引用 natolambert 的「这图什么情况」评论指出：那张难看的图表更多暴露的是评测本身的问题——私有评测无法查看样本和运行记录，人们只能编造奇怪的理论来解释它如何运作，再次引发对私有 benchmark 透明度的质疑。
「模型」频道最新
- Scaling01 断言:.0 版本必翻车,.5 版本才是真王者 — scaling01 · 2026-09-23
- Opus 5.5 上线 LMArena，Battle 与 Agent 模式均可试玩 — arena · 2026-09-23
- Opus 5.5 评测表脚注曝光:部分任务实为旧款 Claude 代跑完成 — airesearch12 · 2026-09-23
- Every 开播「新模型 Vibe Check」,实时聊最新模型 — danshipper · 2026-09-23
- 博主实测后改口:Opus 5.5 在 Game Boy 测试上表现更合口味 — Angaisb_ · 2026-09-23
- Claude Opus 5.5 特殊设计:前沿开发类能力会降级到弱模型 — akbirthko · 2026-09-23