新版 Artificial Analysis 指数拉大开放与封闭模型差距
新版指数以 60% 私有测试集抑制“benchmaxxing”,并改写模型排名。
过去 24 小时 0 条 AI 动态;近 7 天论文 0 篇、模型 0 个、数据集 0 个、开源项目 0 个。正在追踪 29 个 AI 信源,数据更新于 10月30日 23:00。
新版指数以 60% 私有测试集抑制“benchmaxxing”,并改写模型排名。
用VLM Agent闭环和轨迹打分提升机器人操作泛化。
InnovationEval测试AI Agent自主改进语言模型训练方法的能力。
评测从视频生成扩展到在线强化学习与真实机器人操作。
代码智能体框架结合模型在真实工程修复评测中取得71%解决率。
用93个真实论文复现任务端到端评测科研Agent。
Aleph Alpha 用自建基准测试多家中文模型的政治敏感回答。
ThinkingBox用后端终态和副作用评测Agent是否真正完成任务。
仓库星标 849
GitHub 核验 10月14日 01:41
仓库星标 366
GitHub 核验 10月2日 20:34