#AI能力评测

共 6 篇相关文章

从信息论角度分析LLM能否通过45次是非问答识别16张卡牌。探讨大语言模型在约束推理、多轮状态追踪和最优策略规划方面的真实能力与短板，揭示AI智能体评测的新方向。

OpenAI正式发布GPT-5.6，推出Sol、Terra、Luna三档模型家族，旗舰款Sol编程基准超越Claude同级产品，速度快一倍、成本低三分之一。本文详解三档定价、编程式工具调用新能力及ChatGPT Work等配套产品。

OpenAI发布GPT-5.6系列，旗舰Sol、均衡Terra、轻量Luna三款模型全面实测。智能体任务媲美顶级模型，定价最低$1/百万token，与Fable 5、Opus 4.8横向对比，选型建议一览。

GeneBench-Pro是专为基因组学与生命科学设计的AI评测基准，采用真实世界数据集，覆盖基因组学、生物学及科研全流程，填补专业领域AI评测空白，助力AI辅助科研落地。

深度实测智谱AI GLM4开源旗舰模型，在Design Arena榜单排名第一，前端开发超越Claude 3.5和Gemini。详细对比落地页生成、Spotify复刻、3D游戏开发等场景表现，成本仅为Claude Opus的六分之一。

Anthropic发布Claude Mythos Preview模型，在AI研究决策测试中64%的情况下优于人类研究员，相比此前的22%实现质变。深度解析这一突破对AI辅助研究和人机协作的影响。