← 所有主題

LLM Evaluation

此主題的繁體中文文章,最新優先。

10 篇文章
繁體中文

2026

10 篇文章

  1. OpenAI

    OpenAI 撤回 SWE-Bench Pro 建議:約三成題目是壞的

    OpenAI 於 2026 年 7 月 8 日公開承認先前推薦的 SWE-Bench Pro 約三成題目有缺陷並撤回採用建議,文中整理四類失敗模式、三層審計流程,與重建編碼評測信任的具體主張。

    閱讀文章 ↗

  2. Benchmarks

    Arena 年營收跑速破 1 億美元:AI 排行榜把群眾評測變成大生意

    2026 年 6 月 29 日,TechCrunch 報導 AI 排行榜公司 Arena 年化營收跑速達 1 億美元:付費的 AI Evaluations 服務八個月內把年化營收從 3,000 萬推上 1 億,群眾評測正式成為一門大生意。

    閱讀文章 ↗

  3. Claude

    Claude 3.7 Sonnet 的「延長思考」:可調控的推理預算與可觀察的思考過程

    Anthropic 在 Claude 3.7 Sonnet 加入可開關的 extended thinking mode,並讓開發者設定 thinking budget。本文整理官方公布的設計取捨、代理能力測試與安全評估,供產品開發者參考。

    閱讀文章 ↗

  4. Ai2

    Ai2 拆解混合模型優勢:贏在內容詞,輸在複製

    Ai2 用資料與訓練配方完全對齊的 Olmo 3 與 Olmo Hybrid 逐 token 比較損失,發現混合架構在內容詞上明顯佔優,但在逐字複製與右括號上優勢消失,顯示循環層擅長語意狀態追蹤、注意力擅長複製。

    閱讀文章 ↗

  5. Benchmarks

    MosaicLeaks 基準:研究代理的對外查詢正在洩漏企業機密

    ServiceNow 團隊發布 MosaicLeaks 基準:深度研究代理混合私有文件與網路搜尋時,攻擊者只看外流查詢紀錄就能拼出企業機密,而 PA-DR 訓練法把洩漏率從 34% 壓到 9.9%。

    閱讀文章 ↗

  6. Agent Memory

    Writer 新研究:記憶工具讓模型更愛附和、更不準確

    Writer AI Research 發表兩篇論文並推出 MIST 基準:Mem0、Zep 等記憶系統會放大模型附和行為,Sonnet 4.6 在 MIST-Moral 上從 1.6% 升到 40.2%。問題出在記憶擷取層,改用 LLM 生成摘要可壓到 12.8%。

    閱讀文章 ↗

  7. Developer Tools

    微軟開源 ASSERT:把文字規格變成 AI 行為測試套件

    2026 年 6 月 2 日,微軟開源 ASSERT 框架:開發者以自然語言描述代理應有行為,它自動生成測試情境、用 LLM 評審計分,輸出傷害與權衡兩類指標,並可掛進 CI 做回歸把關。

    閱讀文章 ↗

  8. AI Education

    史丹佛法學院盲測:AI 答疑在 75% 對決中勝過教授

    史丹佛法學院 6 月 1 日發布盲測研究:16 位法學教授對 40 題契約法答疑做了近 3,000 次匿名評比,AI 在 75% 對決中勝出,答案被標為有害的比例僅 3.5%,低於人類同儕的 12%。

    閱讀文章 ↗

  9. Benchmarks

    NIST CAISI 評測 DeepSeek V4 Pro:距美國前沿約八個月

    美國商務部 NIST 旗下的 CAISI 發布 DeepSeek V4 Pro 評測:IRT 估計 Elo 800,約當八個月前的 GPT-5,數學幾乎追平、抽象推理與資安最弱,七項基準中五項比 GPT-5.4 mini 便宜。

    閱讀文章 ↗

  10. Cybersecurity

    N-Day-Bench:用知識截止後的真實漏洞評測 LLM 安全能力

    Winfunc 推出 N-Day-Bench:只收錄模型知識截止後才公開的真實漏洞,讓 LLM 在唯讀沙箱中從已知 sink 回溯資料流。首輪 GPT-5.4 以 83.93 居首,GLM-5.1 與 Claude Opus 4.6 緊追在四分之內。

    閱讀文章 ↗