用 Claude 复查评测报告，多找出 36% 的基准提及
evijit · x · 2026-11-13
Jason Wei 发现自己初版工作遗漏了不少评测：让 Claude 更彻底地搜索后，多找出了 36% 的 benchmark 提及，但仍会漏掉带花哨 UI 的博客和长 PDF。他自嘲需要给 benchmark 造个 benchmark。引用者 evijit 表示其 ICML 论文 EvalEval 是靠人工标注并逐篇阅读技术报告完成的，认为评测报告领域急需 EEE 这类社区通用标准。
「模型」频道最新
- 谷歌 Gemini 4 Hydrogen 发布四周即反超自家更大的 Argon — The Decoder · 2026-11-13
- Kaggle 推出 Arenas:社区投票决定模型对战排行榜 — amankhan · 2026-11-13
- 用户晒截图:Claude Code 账号被以违反服务条款为由直接封禁 — cryptodunck · 2026-11-13
- 模型命名太乱，开发者呼吁回归 small/medium/large — andpoul · 2026-11-13
- 同一提示词实测:Gemini 4 Hydrogen 3D 建模明显胜过 Opus 5 — LightAppropriate624 · 2026-11-13
- 微软 Copilot 接入 Anthropic Claude Fable 5.2，Cowork 与 Studio 可选 — luisdans · 2026-11-13