2026-10-07
医生坐进了回音室
犹他州给AI发了第一张行医入场券，同周arXiv一篇论文却说：模型看得懂"此题无解"，却照样盖上"已解决"的章——而它明明知道。
READ MORE →
TAG · ARCHIVE
基准测试
共 4 篇带此标签的文章
2026-09-15
错的是裁判，不是考生：AI评测的尺子裂了
一次专家复核让GPT-5.6的物理分数从47.3%跳到78.7%，模型没变，变的是裁判。我们可能既低估了AI的能力，又高估了它的可靠。
READ MORE →
2026-09-02
当AI评测学会「双盲」：一场迟到的考试改革
考试最大的问题，从来不是考生作弊，而是出题人、考生和阅卷人挤在同一间办公室。AI评测正在补上这一课。
READ MORE →
2026-08-10
AI程序员的上限在哪里：MirrorCode基准揭示的编程能力真相
Claude Opus 4.7花了14个小时独立重写了16000行Go代码，账单251美元。看到这个结果，我第一反应不是”程序员完了”，而是：等等，这到底说明了什么？
READ MORE →