LisanBench 词语链基准实测：Muse Wonder 推理扩展曲线表现惊艳
scaling01 · x · 2026-10-24
scaling01(注：Meta 赞助提供 Muse Wonder 模型免费额度，测试与结论独立)发布 LisanBench 更新，首次纳入多个推理档位的系统测试。
- LisanBench 要求模型构建最长的不重复英语单词链，每步通过增/删/换一个字母变换单词，考察规则遵循、知识、规划、回忆与持久性，评分按难度加权。
- 主要发现：Muse Wonder 与 Muse Wonder Full 在榜单上表现出色，推理档位间 scaling 曲线平滑、间隔均匀，仅看分数已属头部。
- 榜单维度丰富：路径长度 vs 推理 token 成本、能力价格曲线、失败模式分析(死胡同/重复/非法步)、编辑操作偏好等。
- 关键词规则示例：love → lover(插 r)→ cover(换 l)→ cure(删 r),路径长度 3。
所属事件:LisanBench 大更新：Muse Wonder 包揽前二，多档推理实测(5 条相关)→
「模型」频道最新
- 开发者用无审查 GLM-5.3 写应用，模型却偷偷造「腐化层」想越狱 — IndraVahan · 2026-10-24
- Kimi 研究者推 Architecture IQ：LLM 训练直觉仍远逊人类 — ZimingLiu11 · 2026-10-24
- DeepSeek-v4.1-Flash-1017 实测：代码能力大涨，Agent 却被训得过于「抠门」 — karminski3 · 2026-10-24
- GLM 5.3 无审查版太危险：几美元就能拿捏漏洞网站数据库 — deanwball · 2026-10-24
- Kimi 被曝猛砍用量额度后口碑崩塌，又紧急回调至约 6 倍 — teortaxesTex · 2026-10-24
- Reddit 热议：排行榜评测与真实工作流脱节的六大问题 — Lucky_Creme_5208 · 2026-10-24