KOL 建议自建基准测试:用日常重复任务评新模型才准
EXM7777 · x · 2026-11-06
EXM7777(15.7 万粉丝)提出:公开榜单排的是你几乎不会跑的任务,应该在业务里把每天重复执行的动作沉淀成自己的基准测试,新模型发布时直接跑一遍,就能比任何人都清楚它是否真比当前的日常主力模型更好。
「模型」频道最新
- RoboColosseum 首批结果:5 款机器人模型与 3 个前沿 AI 智能体实战 124 个真实场景 — DJiafei · 2026-11-06
- Harness 适配器：为每个 Agent 框架单独训 LoRA,实测 1350 次会话仅花 5 美元 — LysandreJik · 2026-11-06
- Drex 模型置信度经校准:标 93% 置信时准确率达 97%,可当信任旋钮用 — rohanpaul_ai · 2026-11-06
- REAX 1.3 登顶 HF Decision Index,274 模型中拿 74.0 分 — airesearch12 · 2026-11-06
- 0.8B决策模型Jeff v1.4发布:34个开源适配器,90%准确率,2ms推理 — Usual_Maximum7673 · 2026-11-06
- 爆料称 Qwen4 可能今日发布，配图已流出 — HankYeomans · 2026-11-06