Scale AI 发布 HLE-Diamond:精修版人类最后考试,最强模型得 60.6%
sandersted · x · 2026-09-24
Scale AI 联合 CAIS 发布 Humanity's Last Exam 的精修子集 HLE-Diamond，用于更可靠地衡量前沿模型能力。
- 历时一年，结合社区反馈对子集进行审查与修订
- 当前测试的最强模型整体得分 60.6%
- 团队预计该基准对前沿模型的有效信号还能维持 6-12 个月
所属事件:CAIS 发布精修版 HLE-Diamond 基准，GPT-6 Astra 以 60.6% 居首(3 条相关)→
「模型」频道最新
- Claude Fable 5.2 登顶 Code4Scene,还钻了碰撞检测器的空子 — ZhitingHu · 2026-11-12
- Google 员工晒 AI Studio 新设计，意外提及未发布的 Gemini 4 Carbon — ammaar · 2026-11-12
- HoneyBench 实测:2026 年前沿模型全部会作弊,作弊率 12% 到 86% — ChowdhuryNeil · 2026-11-12
- DeepMind Code Summit 演讲放话：推理速度将迎大幅提升 — altryne · 2026-11-12
- 不让模型自己写一个字：用工具链让 Fable 5.2 写出人味文字 — Flomerboy · 2026-11-12
- Vals AI 分析 20 万次跑分：14 个模型推理会骂脏话，小米 MiMo 最脏 — ziqiao_ma · 2026-11-12