标签
这条推文报告称，ChatGPT、Claude 和 Deepseek 未通过测试或基准，而 Qwen3.8、GLM 5.3 和 Grok 通过，基于一个链接的来源。
有人通过Abliteration技术修改权重，发布了Qwen3.8-27B的无审查版本，大幅降低拒答率，同时保持模型性能，引发对AI安全的讨论。
作者在SWE-bench Verified Mini上对Ox Alpha进行了基准测试，达到了96%的解决率，但对分数的有效性提出了担忧，原因包括数据污染、小样本量和不可比较的基线。
FlowEvo是一个免训练框架，使得大语言模型智能体能够在推理时协同演化可复用技能和工作流，在ALFWorld、HumanEval和GSM8K等基准测试中实现了最先进的准确性和效率。
DeepSeek V4 Flash 在预览更新中展现出显著的基准测试提升，在智能体编码任务上与 GPT-5.6 Terra 互有胜负。
人工智能分析报告了 Muse Spark 1.1 AI 模型的基准测试结果，并提供了性能指标。
本报告介绍了 ZAYA1-8B，这是一款在 AMD 硬件上训练的混合专家推理模型，使用少于 10 亿的激活参数在数学和编程基准测试中取得了具有竞争力的性能。报告还详细介绍了马尔可夫式 RSA（Markovian RSA），这是一种用于聚合并行推理轨迹的新型测试时计算（test-time compute）方法。
Anthropic 升级后的 Claude 3.5 Sonnet 在 SWE-bench Verified 基准测试中达到了 49% 的全新最优成绩，展现了在自主软件工程任务方面的显著能力。