TensorTonic 从第一性原理讲清评测:同一模型换评分和框架,排行榜结论可能翻转
做评测或看排行榜的人应该收藏这篇。同一套 Claude Opus 4.5 换个运行框架加修正评分,CORE-Bench 从 42% 涨到 95%,说明很多榜单比的是配套不是模型。还讲清了 pass@k、误差区间和弃答率怎么读,GPT-5 系统卡的 SimpleQA 例子很直观。
做评测或看排行榜的人应该收藏这篇。同一套 Claude Opus 4.5 换个运行框架加修正评分,CORE-Bench 从 42% 涨到 95%,说明很多榜单比的是配套不是模型。还讲清了 pass@k、误差区间和弃答率怎么读,GPT-5 系统卡的 SimpleQA 例子很直观。