Artificial Analysis
Artificial Analysis 改用真实任务评测大模型，企业选型逻辑随之改变
Artificial Analysis 发布智能指数 v5.0，把知识工作、编码、科研与通用能力各占四分之一权重，用真实项目和端到端任务替代刷题式评测。它释放出明确信号：企业选模型正从考试分数转向交付质量，但榜单仍不能替代业务验收。
返回首页
Terminal-Bench
找到 3 篇关于此标签的文章
Terminal-Bench
Terminal-Bench 三成任务有缺陷，修复后智能体分数集体上涨
斯坦福团队审计 Terminal-Bench 2.0 的 89 个任务，确认 28 个存在缺陷，修复后 19 个智能体的准确率普遍上升逾 10 个百分点。研究同时发现，时间预算过紧会制造大量假失败，说明模型榜单必须附带基准版本与资源条件。
DeepSeek
DeepSeek V4 Flash 跑分被独立复现 — 数字对得上,但中国大模型评测公信力仍是老问题
第三方用公开工具复现 DeepSeek V4 Flash 在 Terminal-Bench 2.1 上的 82.7% 成绩,368/445 次成功。数字本身没问题,但 DeepSeek 用的私有评测工具未公开,让"谁跑都一样"的承诺打了折扣。