56 位 AI 从业者票选:Terminal-Bench 系列最被信任可判断前沿
BenBlaiszik · x · 2026-11-16
Chris Barber 向 56 位 AI 领域从业者询问「哪些基准最能可信地判断一个 LLM 是否达到前沿水平」,并统计了票数:
- Terminal-Bench 4:25 票,排名第一
- Terminal-Bench Science:20 票,排名第二
- FrontierCode:13 票
- FrontierSWE:10 票
- Humanity's Last Exam:8 票
- Vending-Bench:7 票
- AutomationBench、DeepSWE 等各 5 票
结果显示,以终端/真实任务为核心的基准比传统考试式基准(如 HLE)更受信任,SWE 与 agent 类基准占据了榜单前列。
「模型」频道最新
- 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
- 用户抱怨 Gemini 更新后性格变冷,吁 Google 恢复旧版 — Sean8277 · 2026-11-16
- Claude Code 自动记忆每次工具调用都注入上下文,开发者怒荐一键关闭 — nateberkopec · 2026-11-16