Realtime-Bench 实测:最强模型仅 36% 任务可靠通过
ManlingLi_ · x · 2026-11-04
新基准 Realtime-Bench 测试前沿模型能否解决实时交互问题,综合考虑任务可靠性与端到端延迟。
- 表现最好的 GPT-6-Astra(high)也仅有 36% 的任务能可靠完成
- Jev 虽做到亚 1 秒延迟,但通过率只有 8%
- 图表显示 Pass^3 与延迟呈明显权衡:GPT-6-Astra(low)约 30%,Gemini 3.8 Flash(low)约 22%,Claude、Kimi、DeepSeek 等多在 10% 以下且延迟 4-8 秒
结论:当前前沿模型在真正的实时交互场景中远未达到可靠水平,速度与准确率难以兼得。
「模型」频道最新
- 1300+ 词联想线索实测：Google 模型胜 OpenAI，Anthropic 垫底 — Hardicecream17 · 2026-11-04
- 前 OpenAI 研究员:对齐是能力瓶颈,Claude 或已藏有未知能力 — arthurcolle · 2026-11-04
- BallotBench 模拟交易：Gemini 激进做多冲上 67 美元 — mariofilhoml · 2026-11-04
- Claude Opus 5.5 发布 5 周：周消耗 31.7T tokens、周消费 1300 万美元居首 — scaling01 · 2026-11-04
- Liquid AI 发布 d1-ultra,第三方评测与 SubQ、Elephant 同分并列 — JosephJacks_ · 2026-11-04
- Fireworks Nexus Auto 达 Vals Router Index 60%,登顶单价仅 $1.25 — sophiamyang · 2026-11-04