标签
GPT-6.2 Astra 在一项真实世界空间推理基准测试中排名第一,仅凭照片就能重建公寓平面图,表现超越了其他 AI 系统和已报告的人类基准水平。
Mercor 聘请了 12 名持证注册会计师(CPA)来完成其 APEX-Accounting 基准测试中简化的月末结账任务。结果显示,前沿 AI 模型如今已能获得满分,且成本仅为最优秀初级会计师的约五十分之一;在短短 18 个月内,AI 的准确率就从低于人类平均水平提升到了 100%。
Opus 5.5 AI模型在一项评估脚本质量的基准测试中超越了专业人类作家,评估内容涵盖语气、实质内容、节奏和最少的AI生成错误
Vals AI RSI指数显示,Opus 5.5 AI模型在五项任务中的一项击败了已发布的人类基线,从而将实现完全RSI的预测日期从2027年8月调整为2027年7月。
据报道,GPT-5.6 Sol 在无工具条件下以 pass@5 达到 ZeroBench 人类基线,这意味着在基准测试中五次尝试中至少有一次成功。
本文对六种大型语言模型在英语、韩语、中文和日语中的性别刻板印象进行审计,并以人类基线作为锚定。研究发现,LLM的刻板印象程度往往超过人类跨国差异,且可能跨语言叠加,为此引入了一个四模式框架来表征此类行为。