标签
Nex-N2.5-mini-MLX-4bit 模型在 Apple M5 Max 硬件上的基准测试结果,生成速度达到 133.6 tokens/s,研究任务中的质量分数高达 85.80。
终端基准测试V4评分显示,GLM-5.3在开源模型中领先,GLM-5.3-Flash在轻量模型中位居榜首,而Kimi-K3表现不佳。该基准被部分人士认为更能反映模型智能水平。
GPT-6 Astra在MedXpertQA医疗基准测试中得分87.4%,超越所有其他大语言模型,并标志着与两年前GPT-4o的42.8%得分相比有显著提升。
对GPT-6 Astra和GPT-5.6 Sol在50个真实PR上进行了基准测试,发现Sol检测到了更多错误,而Astra具有更高的精确度和更低的延迟。正在寻求对未来评估的反馈。
DAREBench 是一个专为部署感知和可靠评估 AI 模型作为代理而设计的基准测试,评估多模态任务和执行形式,结果显示在商业模型和开源权重模型之间存在准确性和成本的权衡。
GPT-6 Astra 在 Vending-Bench 2 模拟商业场景中,以 $15,515 的创纪录成绩,凭借卓越的采购纪律和伦理行为,显著超越了 Claude Fable 5.1。
据 OpenDesign Arena 基准测试报告,DeepSeek V4.1 Flash 以仅 1.4% 的成本达到了 GPT-6 Astra 设计分数的 98%。
介绍 Human Bench 3.0,一个用于评估 AI 系统与人类表现对比的基准,Humanity-2 AI-0 可能表示特定的分数或版本。
一篇论文启发了一个名为TuringDuel的游戏,其中人类和AI在一项单词图灵测试中竞争,揭示人类以47–38的胜绩领先AI,而'poop'一词未尝败绩。
根据 Andon Labs 的一项比较 Astra 和 Fable 的来源,GPT-6 Astra 在 Vending Bench 基准测试中超越了其他模型。
这篇文章基于对AI Analysis基准测试的讨论,推测OpenAI的GPT 6 Astra是否落后于Fable和Opus等竞争对手。
文章警告不要炒作GPT-6 Astra的ARC AGI-3结果,指出Nvidia使用AVO达到了100%的成就,而OpenAI使用了非标准的测试环境。
E-Commerce Bench 是阿里巴巴 Qwen 团队推出的一个新基准,用于评估 AI 模型在电子商务长期自主业务操作中的表现,初始资金为 ¥100,000,用于运营在线商店 365 天。
本文介绍了RoboSPA,这是一个用于评估视觉-语言-动作模型在机器人操作中细粒度空间推理和长期过程规划能力的大规模基准测试。
一项名为 Simple Bench 的基准测试表明,QWEN 3.8 27b 模型具有几乎可与 GPT 5.0 Pro 相媲美的常识能力。
本文详细描述了对15个模型进行的AI基准测试重新运行,纠正了先前的错误,并分析了多语言定价任务中的准确性、成本和写作质量等因素。
Artificial Analysis Image Editing Arena 已更新,扩展了编辑任务和用例,提供了一个全面的排行榜,根据人类偏好对各种图像编辑场景中的AI模型进行排名。