Epoch AI· @EpochAIResearch · X·· 15 天前AI 评分50
AI 导读
Epoch AI 推出 Benchmark Reviews，用于审计 AI 基准，首批发布 15 个基准的评审结果。其中 4 个 Verified，包括 WeirdML v2、ExploitBench v0.1、PostTrainBench v1.1 和 SimpleQA Verified；9 个 Flawed，包括 Terminal-Bench 4.0.0、SWE-Bench Verified、SWE-Bench Pro、Humanity's Last Exam、DeepSWE v1.1、TextQuests、Lech Mazur Writing、BFCL v4 和 HealthBench Professional；另有 CritPt 和 FrontierCode 因信息不足暂无法评审。
正文
Introducing Benchmark Reviews: our new initiative to audit AI benchmarks. We are launching with 15 benchmarks: 4 Verified, 9 Flawed, and 2 with not enough information for a review.
来源：Epoch AI · x.com