分類： 評測基準

• 開源上新｜大型語言模型還在「金魚記憶」？全新基準 RHELM 測出「真實長期記憶」天花板
• 最新發現：AI大型語言模型知道自己在被評測
• 靜態評測已「過時」？OpenKG 持續更新 LLM 知識增強動態評測榜單 Dynamic OneEval-202605
• FrontierSWE：在人類能力極限下評測程式設計代理
• 再見了 SWE-Bench！Cursor 剛發布了一個 AI 程式設計評測基準，Claude 都被考哭了
• 0% 通過率！程式碼神話泡沫化！LiveCodeBench Pro 正式發布！
• AI越聰明越不聽話！新研究：最強推理模型指令遵循率僅50%