GradeBench:前沿模型批改手写物理答案仅 57% 与教师一致
scaling01 · x · 2026-11-17
- 基于 200+ 所大学约 600 万份真实学生手写答案构建的 GradeBench 正式发布,用于评测 AI 批改主观题的能力。
- 结果反差巨大:AI 能攻克千禧年大奖难题,但在批改真实大学物理手写答案时,最强前沿模型与授课教师的评分一致率仅 57%。
- 作者以 8 条推文的长线程形式发布,揭示 AI 在真实世界非结构化任务(手写识别+主观评分)上的短板。
「模型」频道最新
- Gemini 4 Neon 曝光:Google 前端代码中出现未发布模型代号 — imjustnewatai · 2026-11-17
- 开发者实测 Pangram:数千次检测仅 1 次误报,AI 文本检测最强工具 — ctjlewis · 2026-11-17
- Google AI 模式惊现神秘新模型「4 Hydrogen」,原 Flash/Pro 选项消失 — Mean_Moan_3495 · 2026-11-17
- Kimi K3.1 Pro 登顶 Science's Last Exam,28.92 分居开源模型之首 — NielsRogge · 2026-11-17
- Gemini 4 Carbon 向付费 API 与企业客户开放,AI Ultra 逐步推送 — thione · 2026-11-17
- Anthropic 发布 Fable 5.2 与受限版 Mythos 5.2,30 小时形式化费马大定理证明 — thione · 2026-11-17