09:39
arXiv cs.AI@Jessica McFadyen, Ole Jorgensen, Harry Coppock, Kevin Wei, Cozmin Ududec
推荐理由：别被固定预算的基准分数骗了，这篇论文揭示了很多模型实际能力需要更多推理计算才能看出来。
全部 AI 动态
AI 相关资讯全量信息流
6月17日
09:39
一项研究评估了12个前沿语言模型在7个基准上的表现，包括FrontierMath、TerminalBench和网络安全任务。研究发现，增加推理计算（如更大token预算和重复提交）能显著提升得分，例如在FrontierMath上提升达20%以上。固定预算的评估会低估新一代模型能力，因为它们在更大预算下能解锁并更可靠地解决难题。不同基准对推理缩放方法的依赖各异：重复提交对多数基准有效，但外部反馈仅在特定任务中有帮助。
6月16日
20:46
AITOP6月16日 20:46
6月13日
18:21
18:21
Decoder@Matthias Bastian
73°
推荐理由：Anthropic 新模型数学碾压 GPT-5.5
13:17
13:17
Epoch AI@EpochAIResearch
Epoch AI@EpochAIResearch精选73°
推荐理由：Anthropic 新模型数学超强
13:08
13:08Epoch AI@EpochAIResearch
Epoch AI@EpochAIResearch精选72°
推荐理由：数学基准更新，GPT-5.5和Google AI成绩亮眼
6月12日
12:57
AITOP6月12日 12:57
6月11日
15:28
AITOP6月11日 15:28
15:23
AITOP6月11日 15:23
15:07
AITOP6月11日 15:07