56 位 AI 从业者票选最能判断前沿模型的基准：Terminal-Bench 4 居首

eliebakouch · x · 2026-11-16

Chris Barber 调研了 56 位 AI 从业者，让他们从 63 个基准中选出最信任的、能指示 LLM 是否达到前沿水平的基准。结果：Terminal-Bench 4 以 25 票居首，Terminal-Bench Science 20 票，FrontierCode 13 票，FrontierSWE 10 票，Humanity's Last Exam 8 票，Vending-Bench 7 票；AutomationBench、DeepSWE、PostTrainBench 各 5 票。最常见的评论是大家其实对现有基准都不太信任。规则要求不能投自己公司参与制作的基准、指数或人工投票榜。完整榜单见 frontierlist.com/top-benchmarks。