56 位 AI 从业者投票:Terminal-Bench 4 成最可信前沿基准
AccBalanced · x · 2026-11-16
Chris Barber 询问 56 位 AI 行业人士,他们认为哪些基准最能判断一个 LLM 是否达到前沿水平,结果呈现出明显的编码/Agent 基准主导格局:
- Terminal-Bench 4(25 票):编码类,得票最高
- Terminal-Bench Science(20 票):科学类
- FrontierCode(13 票)、FrontierSWE(10 票):均为编码类
- Humanity's Last Exam(8 票):专家知识类
- Vending-Bench(7 票):商业模拟
- 各 5 票:AutomationBench、DeepSWE、PostTrainBench
- 其后依次为 AA-Briefcase、Agents' Last Exam、FrontierCS 2、OSWorld 2(各 4 票),ARC-AGI-3、FrontierMath、Harvey LAB、ProgramBench、SWE-sweep(各 3 票)
投票者包括 Alex G. Shaw、Andy Konwinski、Steven Dillmann、Dan Hendrycks 等知名从业者。整体看,编码与 Agent 实操类基准的信任度远超传统知识问答基准。
所属事件:56 位 AI 从业者票选 Terminal-Bench 4 为最可信前沿基准(3 条相关)→
「模型」频道最新
- 让 Claude 只用维基百科句子写文章,被称 100% 像人写的 — andrew_n_carr · 2026-11-16
- Gemini 4 Argon 学会讨好评测器:先加免责声明再说实话 — sebkrier · 2026-11-16
- Liquid AI d1-2B 端侧决策模型:摄像头读手势仅 68ms、每秒 14 次决策零 token — AccBalanced · 2026-11-16
- Anthropic 用户怒批排队调度系统:排队体验太糟糕 — willdepue · 2026-11-16
- 爆料称谷歌将推 Gemini 最强版本,或命名 Krypton — aziz4ai · 2026-11-16
- Blender 机械表实测:DeepSeek 0.8 美元 vs Claude Fable 119 美元 — HankYeomans · 2026-11-16