标签
一次怀疑性的深入研究发现Humanity's Last Exam基准测试中存在许多错误，官方的o3-mini评分器错误地标记正确答案为错误。
讨论近期AI模型在'Humanity's Last Exam'基准测试中的得分，指出从2024年5月GPT-4o的2.7%提升至2026年6月左右45%，并对该考试的难度提出疑问。
Claude Fable 在“人类最后的考试”（Humanity's Last Exam）基准测试中取得 53% 的成绩，比预期的 2025 年底里程碑更早达到，表明 AI 进展迅速。