为了打破这种「高分幻觉」，来自北京航空航天大学的研究团队提出了一种全新的基准构建哲学 —— 双重扩展（Dual Scaling），并基于此构建了端到端的自动化框架 ...
ARC-AGI-2提升的最恐怖，从前一代的31.1% 到这一代的77.1%。 这里稍微补充一下有关这个Benchmark， 它其实非常考验模型对于抽象知识的推理。每道题给模型若干个示例，模型要从这些示例里归纳找出隐含的规则，然后对新的测试输入，进行回答。 Terminal Bench 2.0的分数也从56.9%提升到了68.5% ，超过了Opus 4.6。 BrowseComp的提升幅度也十分吓人 ...
一些您可能无法访问的结果已被隐去。
显示无法访问的结果