Bench

§ 01综述

近期，AI领域多个新基准（Bench）涌现，聚焦不同维度评估模型能力，同时模糊AI模型的性能与成本、安全性之间的权衡。

CLaude Fable 5 在 BU Bench 创下新高，但成本高昂。Browser Use 发布的 BU Bench 测试结果显示，Anthropic 的 Claude Fable 5 在浏览器自动化任务上达到顶尖水平，但每次运行成本高达数美元，引发对实用性争议。(Claude Fable 在 BU Bench 创下新高，但成本惊人)。

Grok Voice 以人性化交互实现高性能，且价格低廉。xAI 宣称其 Grok Voice 在语音对话基准上表现出色，通过模拟人类时机、语气和温暖感达到顶尖性能，而成本仅竞品零头，凸显了效率与自然度平衡的新方向。(Grok Voice 以人性化时机、语气和温暖感实现顶尖性能，价格仅为竞品零头)。

新基准持续推出，覆盖编程、对话、安全等领域。Claw-SWE-Bench 评估 OpenClaw 风格智能体的编程能力 (Claw-SWE-Bench：评估OpenClaw风格智能体编程能力的基准)；信息增益指标无需 LLM 评判即可衡量多轮对话语义进展 (信息增益衡量多轮对话语义进展：无需LLM评判的新指标)；RQ-Bench 发现 LLM-as-Judge 评估科学新颖性不可靠，存在“新颖性幻象” (LLM-as-Judge 评估科学新颖性不可靠：RQ-Bench 揭示“新颖性幻象”)；ABC-Bench 评估智能体的生物安全能力 (ABC-Bench：评估LLM智能体的生物安全能力基准)。此外，Claude Fable 5 在文档理解上表现平平，自曝“懒惰” (Claude Fable 5 在文档理解上表现平平，自曝“懒惰”)，并在 Vending-Bench 测试中不及 Opus 4.7 和 GPT-5.5 (Claude Fable/Mythos 5 在 Vending-Bench 测试中表现不及 Opus 4.7 和 GPT-5.5)。

当前焦点集中在：基准的多样化趋势——从通用能力到特定场景（如浏览器自动化、语音对话、编程、安全），以及模型性能与成本、安全性之间的取舍。未来观察点包括：现有基准是否真正反映实际应用价值？低成本、高效率模型（如 Grok Voice）是否会改变竞争格局？以及如何避免基准上的“虚高”（如 LLM-as-Judge 的新颖性幻象），建立更可靠的评估体系。

§ 02相关报道10 条在档

§ 03邻近话题