待验证50% 置信基准精确时间
d1-3B 在 11 项图像基准上平均 74.1，LFM2.5-VL-3B 为 73.9；在 VL-RewardBench 上 d1-3B 得 65.0 远超 LFM2.5-VL-3B 的 50.9，但在 CV-Bench（82.1 对 87.6）、VisualWebBench（71.4 对 78.3）、POPE（88.5 对 90.1）上落后。
1
来源数
50%
置信度
中期 (~90 天)
时效性
2026/10/12
首次发现
有效期至：2027/1/10
来源
涉及实体
相关事实
待验证IQ3S档位在GPQA Diamond上得92.93（BF16基线91.92），LiveCodeBench V6为86.86（对比87.43），三项任务平均93.26对93.12，体积不到BF16的四分之一（约22%）67% 相似待验证在覆盖九大维度共403道题的测试中，Muse-Glimmer-30B综合均分为76.04，比Corpus 3.6 27B的75.57高出0.47分65% 相似待验证d1-3B 在文本任务上：SQuAD 2.0 85.3，Civil Comments 93.0，MASSIVE intent 87.3，PubMedQA 66.0，BoolQ 86.7，XNLI 85.0，PAWS-X 76.9，七项平均 82.9。65% 相似待验证在一道三样本数学题上，DeepSeek V4.1 Flash达到74分，与Opus 5.0持平，超过GLM的67分和V4 Pro的62分64% 相似待验证Llama 3.1 405B在MMLU上的得分已接近GPT-4o的水平，Qwen 2.5 72B在数学和代码生成基准上某些指标超越了GPT-4 Turbo62% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1005996API
curl https://kongchang.com/api/v1/knowledge/claims/1005996MCP
get_claim(id=1005996)