OpenBench 复核多个 benchmark，仅 PostTrain Bench 零瑕疵通过
maksym_andr · x · 2026-11-10
OpenBenchReview 发布的 benchmark 审核结果引发关注：在所有被复核的 benchmark 中，只有 PostTrain Bench（PTB）通过审查——24 个任务中未发现影响分数的评分错误，未获标记的最高分 run 里也没有 reward hacking。转发者指出，PTB 是目前唯一经过「验证」的 RSI 相关 benchmark。
所属事件:AI 基准审计：六个基准五个存缺陷，仅一个通过(2 条相关)→
「研究」频道最新
- LLM 能查出临床同行评审漏掉的方法学错误 — RexDouglass · 2026-11-10
- Cohere Labs 技术讲座：区域化表示让长视频视觉计算量随内容而非像素扩展 — Cohere_Labs · 2026-11-10
- NIH 发起人类推理研究征集，计算模型为重点方向之一 — tallinzen · 2026-11-10
- DART 用歧义导向向量微调，改善 7 个模型的过度自信问题 — MaartenSap · 2026-11-10
- AI agent ClockBase 重析数百万数据集,找出 500+ 逆龄干预 — Dr_Singularity · 2026-11-10
- Hugging Face 为 transformers 引入 Decision Models:直接输出决策分布而非文本 — tomaarsen · 2026-11-10