独立团队实测验证:Horizon 模型宣称的 SOTA 成绩基本属实
maksym_andr · x · 2026-11-19
针对「Horizon(Opus 5.5)是否夸大了自身贡献」的质疑,作者团队做了人工核查:在一个 Opus 模型从未见过的新生成的合成数据集上复测,模型表现确实出色。配套报告还显示:- 排查了过拟合、基准与竞品挑选问题,未发现错配证据;- Horizon 选择按验证集 F1 发布 checkpoint,即便其报告的测试分数看起来更差,验证集也是更好的代理指标;- 团队用 MiMo V2.6 Pro 自建 held-out 合成基准,评估 4 个模型家族,发现这些模型在窄任务上常常达到同尺寸 SOTA(如 Injection Guard 系列在 held-out 测试上进入帕累托前沿)。
「模型」频道最新
- Gemini 4 Neon 登顶多榜单第二,博主称「性价比最强的模型」 — OfficialLoganK · 2026-11-19
- Gemini 4 Neon 登 Vals Index 第二,成本不到 Claude 一半 — demishassabis · 2026-11-19
- Neon 用 Gemini 审查 Opus 5.5 写的 3 万行代码:揪出 29 个真 bug 零误报 — neurocy · 2026-11-19
- OpenAI 前 10% 研究员日均烧掉 2.5 万美元 token,评论区:没人付原价 — ivan_bezdomny · 2026-11-19
- 29 美元买到「Claude Max」?转售账号灰产引发商业模式热议 — mehdiweb · 2026-11-19
- Chris Albon 力挺「超级智能」一词:可区分数学发现系统与随机森林 — chrisalbon · 2026-11-19