跳到正文

内容形态

评测基准 最新动态

模型到底谁强：Benchmark 成绩、评测方法论争议与排行榜变化的持续记录。

2 条精选近 30 天 2 条共收录 6 条

更新

评测基准的精选

10月8日周四第 1–2 条
  1. Latent Space80

    Anthropic 发布 Claude Haiku 5.5，定价对齐 GPT-6 Luna

    Anthropic 发布 Claude Haiku 5.5，这是 Haiku 系列约一年来的首次更新，定价与 OpenAI 的 GPT-6 Luna 相同，官方称其平均运行成本比 Haiku 4.5 低约 75%。

    推荐理由：汇总了 Haiku 5.5 的定价、第三方评测与 token 消耗数据，可据此判断低价小模型在智能体工作流中的实际成本。

10月5日周一
  1. GitHub Blog · AI & ML62

    GitHub 发布 AI 代码审查开放基准 ReviewBench

    GitHub 发布 ReviewBench，一个面向 AI 代码审查智能体的离线基准，基于 1.039 亿个 GitHub pull request 的分布构建，包含 219 个 pull request、覆盖 19 种语言。

    推荐理由：GitHub 公开了 AI 代码审查基准的构建方法与评分口径，读者可据此理解离线评测如何对应线上实验。