跳到正文

内容类型

评测基准 最新动态

模型到底谁更强：Benchmark 评测成绩、评测方法的争议与排行榜变化。

42 条精选近 30 天 37 条共收录 173 条

更新

精选归档 · 第 3 页

6月10日周三第 41–42 条
  1. Andrej Karpathy82

    Andrej Karpathy 评价 Claude Fable 5 发布，称其与 Mythos 是同一底层模型但增加了安全防护，基准测试全面 SOTA 且领先明显。

    引用Claude@claudeai

    Fable 5 is state-of-the-art on nearly all tested benchmarks, with exceptional performance in software engineering, knowledge work, scientific research, and vision. The longer and more complex the task, the larger Fable 5’s lead over our other models.

    推荐理由：Karpathy 以第一手使用体验评价 Claude Fable 5 在长任务和复杂问题上的跃升，并给出对软件需求变化的判断。

4月1日周三
  1. Jim Fan74

    Jim Fan 团队开源 CaP-X，让智能体以机械臂和人形机器人形态在物理世界中运行，并可通过感知 API、执行 API 与自动合成的技能库完成任务。配套发布 CaP-Gym 的 187 个操作任务、覆盖 12 个前沿 LLM/VLM 的 CaP-Bench 八级评测，以及无需训练的 CaP-Agent0；CaP-RL 中 7B 开源模型经 50 次训练迭代成功率从 20% 升至 72%。

    推荐理由：团队开源 CaP-X 智能体机器人栈，并给出 CaP-Gym、CaP-Bench 与 CaP-RL 的系统性实验，可观察 LLM 在物理任务上的能力边界。