辩论基准新增8模型:Qwen 4 Max暴涨144分逼近榜首
zero0_one1 · reddit · 2026-11-19
Lech Mazur 的 Debate Benchmark 更新,新增 8 个模型,考察模型在被持续反驳下能否守住立场(含回答质疑、追问、收尾陈词),现已累计 10,928 场评级辩论、683 个议题、33,342 次裁判判定,PRO/CON 互换跑两遍并由三个不同家族模型独立评审以消除立场与裁判偏差。
关键成绩:
- Claude Fable 5.2 以 1688 分居新增最高,但比 Fable 5.1 低 18 分;
- Qwen 4 Max 从 1535 涨到 1679(+144),涨幅最大;
- GPT-6.2 Astra 1673(较 Astra 6 +67);Gemini 4 Carbon 1676(较 Argon +27);
- 腾讯 Hy4 (high) +85 至 1646;Step 5 Preview 首秀 1521;MiniMax M3.1 Flash 1509;Seed 2.1 Pro 1468。
议题库覆盖十大领域,法律与监管最多(135 个),其次是劳动/教育/社会政策(122 个),419 个为全球性议题。
「模型」频道最新
- 免费用户一个月经历三轮模型变动,Gemini 可选模型持续收缩 — python_buddy · 2026-11-19
- Google 被指悄悄删改 Gemini 4 Neon 描述,掩盖 Flash 级成本定位 — lyraxana · 2026-11-19
- Gemini 4 Neon 低档模式省 42% 成本,分数几乎不减 — adonis_singh · 2026-11-19
- 五周连发 Argon、Carbon、Hydrogen、Neon,谷歌 Gemini 4 迭代实录 — Afinetheorem · 2026-11-19
- 研究者实测:GPT 6.2 Astra 零样本生成晶体结构能力大幅跃升 — xennygrimmato_ · 2026-11-19
- 机器人实测:LLM 零样本 7/10 项目碾压微调世界动作模型 — paigeinsf · 2026-11-19