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:

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。

原文链接 →

「模型」频道最新

更多「模型」频道 AI 资讯 →