Bindu Reddy 预告 LiveBench 2.0：主打长程任务且无法刷榜
bindureddy · x · 2026-10-13
Bindu Reddy 宣布即将推出聚焦 Agent 长程任务的新基准 LiveBench 2.0，动机是现有数百个 benchmark 大多已坏掉或被刷榜（bench-maxxed）。要点：
- 随 Argon 模型一同发布
- 反映真实世界模型表现，无法被针对性刷分
- 长程（long-horizon）类别设计到位
- 计入每任务成本
他称「迈向真正超级智能的第一步，是让基准反映真实世界表现」。
「模型」频道最新
- 扎克伯格与 Alexandr Wang 酒馆长谈 Muse Wonder 与千亿美元豪赌 — alexandr_wang · 2026-10-13
- 网友玩梗「Argon 已完蛋」,调侃 DeepMind 模型捂太久 — giffmana · 2026-10-13
- Scale CEO 确认 Muse 存在用量限制异常，团队正在修复 — alexandr_wang · 2026-10-13
- Grok Bot 实测再翻车:订不了酒店后连会议邀请都接受不了 — NielsRogge · 2026-10-13
- eigenrobot 吐槽 GPT 变成「女学监」,还把锅甩给了教育家 Freire — eigenrobot · 2026-10-13
- Meta AI 研究员自述:从 LLaMA 4 到新品,下一站「Mythos」 — ThomasScialom · 2026-10-13