BullshitBench 榜单:Claude Opus 4.8 以 95% 居首,Gemini 4 系列表现亮眼
burny_tech · x · 2026-11-19
petergostev 分享的 BullshitBench v2 榜单(266 个模型)显示模型「识破胡说」能力排名:
- Claude Opus 4.8(无推理)以 95% Clear 率居首,Qwen3.8 Max 同为 95% 排第二;
- Claude Opus 4.8 xHigh 94%、Claude Sonnet 4.6 91% 紧随其后;
- Gemini 4 Hydrogen(xHigh)90% 排第 6,Qwen4 Max 90% 排第 7;
- Gemini 4 Neon(xHigh)84% 排第 11;
- 部分 Claude 模型出现明显 refusal,如 Claude Fable 5 有 33% 拒答。
该榜单用 LLM 评委(20 个回答、2/3 评委制)衡量模型拒绝接受错误前提的能力,Google 新模型成绩被评价为「表现超好」。
「模型」频道最新
- 博主放话:DeepSeek V5 明天就该发布才算聪明 — AIFlow_ML · 2026-11-19
- Zvi 周报 #195:Anthropic 上市当日,Fable 5.2 与 GPT-6.2 同台竞技 — TheZvi · 2026-11-19
- Reddit 用户反映 Gemini 服务器重启后 Agent 推理能力骤降 — prstg35 · 2026-11-19
- Zvi 周报:Anthropic 上市、新模型扎堆、AI 加速担忧升温 — Don't Worry About the Vase (Zvi) · 2026-11-19
- 多名 Google 员工齐发「Gemini」暗示新模型即将发布 — haider1 · 2026-11-19
- 开发者吐槽 Google 模型命名混乱:原子名普通人根本记不住 — aronchick · 2026-11-19