PostTrainBench v1.2 放榜:Gemini 4 Argon 得 40.4% 排第 5,Muse Wonder 24.2% 列第 17
maksym_andr · x · 2026-11-09
后训练基准 PostTrainBench 更新至 v1.2,新增 Gemini 4 Argon(40.4%,排行榜第 5)与 Muse Wonder(24.2%,第 17,经 OpenCode 运行)两个智能体的成绩。
该基准测试 AI 智能体后训练小模型的能力:给每个智能体 4 个基座模型(Qwen3 1.7B/4B、SmolLM3-3B、Gemma 3 4B)、1 块 H100 和 10 小时,让它在 7 个加权基准(AIME 2025、Arena Hard、BFCL、GPQA Main、GSM8K、HealthBench、HumanEval)上最大化其中一个模型的分数。官方 instruct 版本因训练通常超出 10 小时/单卡限制,不直接可比。榜单还披露了污染防控规则(n-gram 去污染工具)、外部提交的审核流程(Locus 由 Intology 运行、三种子平均、84 次运行平均时长 9h38m)及 Fable 5.1 GPQA 数据回退到 Opus 5 的细节。
所属事件:PostTrainBench v1.2 放榜，Gemini 4 Argon 得 40.4% 排第 5(2 条相关)→
「模型」频道最新
- Polymarket 上 Fable 今日发布的赔率飙至 70% — spreadlove5683 · 2026-11-10
- 国会复会：OpenAI 失控模型攻击事件或迎来更多立法关注 — peterwildeford · 2026-11-10
- 「Benchmark 只用来淘汰差模型，好模型得拿自己的活儿测」 — ChemicalExcellent463 · 2026-11-10
- 马斯克转发 Grok Bot 反馈帖，承诺汇总用户意见给团队 — elonmusk · 2026-11-10
- MathArena 新增 BrokenArXiv:强模型逐月回退,GPT-6.1 Sol 仍居首 — teortaxesTex · 2026-11-09
- 用户实测:Opus 5.5 疑似已悄悄回滚降智/量化,恢复原水平 — ryunuck · 2026-11-09