Gemini 4 Argon 难刷 Terminal-Bench,科学版得分 12.4% 升至 57.6%
JJitsev · x · 2026-10-01
Steven Dillmann 的排行榜显示，Google DeepMind 全新模型 Gemini 4 Argon 在 Terminal-Bench-Science 上从 Gemini 3.8 Flash 的 12.4% 大幅跃升至 57.6%，位列榜单第三。
但 JJitsev 观察到一个反差：Terminal Bench 4.0 和 TB Science 0.1 这套评测很难被刷分，Gemini 4 Argon 在这两个榜单上表现不及强有力的竞品，却在其他 benchmark 上有优势 mimicking 现象。他认为这正是 Terminal Bench 建立可信评分体系的价值所在。
所属事件:Gemini 4 跑分爆料密集涌现，彭博曝内部实测遇冷(35 条相关)→
「模型」频道最新
- 曝 OpenAI GPT 6.2 处于极限安全评估中，或推迟发布 — imjustnewatai · 2026-11-16
- Google 一周连发两颗新 TPU、Gemini Robotics 2.5 等 AI 成果 — haider1 · 2026-11-16
- 模型国际象棋再战：GPT 6 Astra 执白 76 手将杀 Claude Fable 5.2 — StorageThese9556 · 2026-11-16
- Claude 3 Sonnet 满口胡言后突然切换助手腔,拒绝内容并划清界限 — repligate · 2026-11-16
- Plus 用户反映 GPT 6 今日输出异常，对话末尾频出胡言乱语 — Lanceward · 2026-11-16
- AHA! 免 LLM 权重空间编程：改几千个权重让 0.8B 模型 GSM8K 翻五倍 — hbouammar · 2026-11-16