RSI-Exam 榜单:Gemini 4 Argon 得分 0.494 位列第三
HuaxiuYaoML · x · 2026-10-26
RSI-Exam 是一个通过可执行研究评测「递归自我改进」能力的 benchmark:让 agent 在数小时的自主实验中改进解题方法或驱动冻结模型的 harness,再在隐藏测试集上做最终验证,共 88 个任务(公开 35、私藏 53),覆盖 AI 模型与 agent、物理科学与工程等 6 个领域。博主 Huaxiu Yao 称 Gemini 4 Argon 新上榜:全量 88 任务得分 0.4943 排第 3,公开集 0.5153 也排第 3,较 Flash 系列大幅提升,并期待 Gemini 4 Carbon。配图榜单前列依次为 Opus 5.5(0.5357)、GPT-6-astra(0.5126)、Gemini 4 Argon(0.4943)、Fable 5.1(0.4813)等。注意:榜单中出现的部分模型版本号未见官方发布信息,真实性未经证实。
「模型」频道最新
- 用户吐槽：Muse 的主动推送消息意外地好用得让人上瘾 — xeophon · 2026-10-26
- 蚂蚁 InclusionAI 的 Ling 3.1 Flash 1019 更新权重迟迟未放，社区追问 — spaceman_ · 2026-10-26
- 用户实测 Grok Bot：自动整理数百任务同步 Linear，还能跑安全巡检 — koltregaskes · 2026-10-26
- Muse Spark 1.3 在 Skill-Inject 提示注入测试中攻击成功率仅 0.6% — maksym_andr · 2026-10-26
- 大V称 Opus 5.5 为史上最强模型,断言对手难以追赶 — iruletheworldmo · 2026-10-26
- Anthropic 论文：Claude 内部存在功能性情绪表征 — mervenoyann · 2026-10-26