#LiveBench

共 4 条 · 7 天 1 条 · 30 天 3 条

信息流里打上「LiveBench」标签的资讯、产品与论文，按刊登时间排，新的在上。

10月13日

Abacus.AI 做了个反刷分的长程智能体基准 LiveBench 2.0，还会算每任务成本，等 Argon 发布时一起上线，选模型时可以盯着它看。

Bindu Reddy@bindureddy原文

10月5日

行业中美对照多源确认21:30

DeepSeek V4.1 Flash 把和 Anthropic 的跑分差距从 15% 追到只剩 3%，想知道中美模型现在差多少的看这篇。

IT之家11 个信源在谈原文

9月19日

模型中美对照多源确认01:39

B站UP主做的这个民间测试很有意思，用各种贴近现实、条件更苛刻的场景测试大模型，看它们能不能真正干活，而不是只看跑分有多好看。

掘金本周最热@石小石Orz11 个信源在谈原文

6月16日

这篇论文用贝叶斯方法检查了LiveBench等公共AI评估档案，发现很多宣称有问题，帮你判断哪些基准成绩可信。

arXiv cs.AI@Yanan Long原文