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:

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」。

原文链接 →

「模型」频道最新

更多「模型」频道 AI 资讯 →