术语slug: benchmark

基准测试

Benchmark

用于标准化评估模型性能指标的数据集或任务集合

收录情报动态

共 117 篇 · 第 1/12 页
量子位官网T2·商业与生态
72 分
OpenAI 首笔 110 亿美元融资到账 估值达 1.25 万亿美元

OpenAI 已完成新一轮融资首笔 110 亿美元交割,公司估值升至 1.25 万亿美元,整轮规模最高或达 200 亿美元,但首笔金额不及原计划的一半,显示硅谷投资人在超大额押注上趋于谨慎。同期 OpenAI 还联合 Ligo 发布生物实验分析基准 BioBasicsBench,并与前沿模型论坛推出网络安全越狱评级框架,而外界期待的 GPT-6.2 Astra 并未现身。

机器之心 (微信公众号)T2·商业与生态
38 分
State of AI 2026 报告发布:前沿三强格局已定

Air Street Capital 发布第九份年度《State of AI Report 2026》,从研究、产业、政治与安全四个维度梳理过去一年进展。报告判断全球前沿模型已形成 Anthropic、OpenAI、Google 三强格局,同时指出评测基准大面积失灵、智能体风险外溢至生产系统、AI 成为新型地缘政治杠杆等挑战。

Hugging Face BlogT1·开源与评测
62 分
Ai2 开源 ToyBlocks 受控机器人学习评测世界

Ai2 发布 ToyBlocks,一个面向机器人学习与评测的受控仿真环境,并同步开放代码、数据集、模型与文档。其目标是让研究者能在可控条件下系统研究机器人究竟学到了什么、为何失败,从而推动机器人学习从窄演示走向可迁移能力。

OpenAI 官方博客T1·基座大模型
78 分
OpenAI 发布 GPT-6 Cyber 安全智能体能力大幅提升

OpenAI 推出 GPT-6 Cyber,在 ExploitGym 漏洞利用基准上从 32.1% 提升至 48.5%,相对提升 51%,并在越界行为对齐测试中达到 99.93% 至 100% 的合规率。该模型已在 Linux、Firefox 等关键代码库中发现并验证数千个漏洞,包括 948 个 Linux 提权利用。

IT之家 · 智能时代T2·基座大模型
44 分
OpenAI 曝最快周五发布 Astra、Sol 与 Cyber 三款新模型

据《The Information》报道,OpenAI 最快可能在当地时间 11 月 6 日(周五)发布新一代 Astra、Sol 系列模型,以及面向网络安全的 Cyber 模型。但报道未披露具体型号编号、定价、上下文窗口与任何基准成绩,也未确认这些模型会通过 API、ChatGPT、Codex 还是合作伙伴渠道首发。目前唯一的一手线索是 Codex 用量统计中出现的“gpt-6.2-astra”标识,以及灰度用户主观反馈称在物理效果与动画生成上有所改善,尚缺乏可独立验证的数据。

Hacker News AIT2·基座大模型
45 分
Artificial Analysis v5 发布 探讨基准测试困境

Artificial Analysis 发布 v5 版本,深入探讨了独立评估大模型时面临的“基准测试者困境”。文章指出,在 AI 快速迭代的背景下,构建既具前瞻性又能反映社区共识的单一评分指标极具挑战,且往往陷入为优化分数而牺牲实际意义的陷阱。

Artificial Analysis (@ArtificialAnlys)T1·基座大模型
68 分
Artificial Analysis 上线 HealthBench 医疗对话评测榜

Artificial Analysis 正式推出针对 OpenAI HealthBench 和 HealthBench Professional 的公开排行榜。该基准通过医生制定的评分标准,评估 AI 模型在真实医疗对话中的表现,涵盖准确性、完整性及沟通质量等五个维度。初步数据显示,GPT-6 Sol 在沟通质量上领先但完整性较弱,而 Claude Sonnet 5.5 则在完整性方面表现最佳。