Artificial Analysis 新评测：Gemini 3.8 Flash 套话分与谄媚分双垫底
Immediate_Simple_217 · reddit · 2026-11-04
Artificial Analysis 推出两项新指标：Slop Score（衡量填充词和套话的使用程度）和 sycophancy（谄媚度），Gemini 3.8 Flash (high) 在两项上均排名最差。
配图为 AA-PersonalityBench Slop Score 榜单：K2 Horizon 375B A23B 以 95 分居首（最差），Muse Spark (xhigh) 88、Owen38 27B (xhigh) 85、Gemini 3.8 Flash (high) 78、Qwen3.8 Max (0902) 75、Nemotron 3.5 Super VL 65、MiMo-V2.6-Pro 60、Muse Wonder (max) 55、Beam 1.0 53。帖子还称 Gemini 模型在每任务成本/补贴方面也表现不佳。
这解释了社区普遍的"Gemini 模型感觉刷榜味重"的体感：benchmark 成绩强，但输出风格偏套话。
「模型」频道最新
- 改 0.13% 权重零训练修复 OCR 模型空白页幻觉,榜单从 14 升到 8 — vanstriendaniel · 2026-11-04
- antirez 批评 Astra 论文:游戏任务可从输出偏差直接猜出,且认不出 Cannon — antirez · 2026-11-04
- antirez 复现 MIT 论文：LLM 权重里真有可看见的径向模式 — antirez · 2026-11-04
- 0.6B 后训练模型在 MATH 翻车：权重小缺陷致采样极敏感 — lateinteraction · 2026-11-04
- $500 档 Claude 订阅 36 小时烧光一周额度，配额成吐槽焦点 — StephanSturges · 2026-11-04
- FireFlash 长 horizon 编码 agent 登上 Terminal-Bench 4.0 46.2%,成本仅对手 1/30 — VioletNPeng · 2026-11-04