Epoch 研究发现：21 个主流 AI 基准测试中有一半存在缺陷
Epoch AI 扩大了基准测试审计计划，审查的 21 个主流 AI 基准中有一半被评为「有缺陷」，包括 SWE-bench Verified 和 Humanity's Last Exam 等热门评测。这很重要，因为这些分数是行业衡量模型进展的主要标尺——评测有缺陷，产品宣传与安全保障就站不住脚。
报道来源
- Alpha Signal2026-10-23 18:47
Epoch AI 扩大了基准测试审计计划，审查的 21 个主流 AI 基准中有一半被评为「有缺陷」，包括 SWE-bench Verified 和 Humanity's Last Exam 等热门评测。这很重要，因为这些分数是行业衡量模型进展的主要标尺——评测有缺陷，产品宣传与安全保障就站不住脚。