主題選讀

#Benchmark

關於 Benchmark 的最新消息、技術解析與應用觀察。

24篇文章

主題文章

由新到舊，第 2 / 3 頁

工具與應用12 月 2 日2 分鐘

當大型語言模型開始挑戰「視覺程式碼」，誰才是真正的贏家？本文深入解析 Claude Sonnet 4.5、GPT-5.1、Gemini 3.0 等 9 款頂尖 AI 模型的 SVG 生成評測，探討這些模型在 30 個創意提示詞下的表現，並分析這對開發者與設計師意味著什麼。

工具與應用11 月 5 日1 分鐘

Google DeepMind 在其 Gemini 模型於國際數學奧林匹亞（IMO）競賽達到金牌標準後，正式發布 IMO-Bench。這不只是一個評測工具，更是一套推動 AI 從「解決問題」邁向「深度推理」的全新基準，旨在引領 AI 領域進入更強健、更富創造力的數學推理新時代。

工具與應用10 月 21 日2 分鐘

當我們以為大型語言模型（LLM）驅動的 AI 智慧體（Agent）無所不能時，美團 LongCat 團隊發布的最新評測基準 VitaBench 卻給了整個產業一記當頭棒喝。這項堪稱「最難模擬考」的測試顯示，即使是頂尖的 AI 模型，在處理複雜的真實世界任務時，成功率也低得驚人。這究竟是怎麼 …

工具與應用10 月 9 日1 分鐘

探索最新的 AI 模型任務完成度評測報告 TaskBench。令人驚訝的是，Gemini 2.5 Flash 等模型在特定任務上的表現超越了許多知名的大型模型。本文將深入解析評測結果，並探討為何「更大」不等於「更好」。

工具與應用9 月 10 日1 分鐘

我們總以為 AI 無所不能，但一個簡單的類比時鐘卻讓 Google Gemini 和 OpenAI GPT-5 等頂尖模型紛紛敗下陣來。最新的 ClockBench 基準測試顯示，人類的準確率高達 89.1%，而最強的 AI 卻只有 13.3%。這項發現揭示了 AI 在視覺推理能力上的巨大 …

工具與應用9 月 2 日1 分鐘

AI 總是不夠「聽話」？美團發布全新指令遵循評測基準 Meeseeks，透過獨特的多輪糾錯機制，深度評估 AI 模型是否能真正理解並執行複雜指令。本文將帶您深入了解 Meeseeks 的三層評測框架、技術原理，以及它為何對 AI 發展至關重要。

工具與應用8 月 21 日2 分鐘

AI 寫程式碼的能力越來越強，但我們如何知道誰才是真正的王者？騰訊混元推出的 AutoCodeBench 是一個全新、高難度的評測基準，涵蓋 20 種程式語言。本文將深入解析其技術原理，並揭曉 Claude 4、GPT-4 等頂尖模型在這場硬核測試中的真實表現。

工具與應用8 月 15 日1 分鐘

你以為 AI 只會寫程式、算數學嗎？錯了！最新的 LLM 社交能力基準測試，讓 AI 們在「淘汰賽」中一較高下，看誰最會說服、拉攏、甚至「搞政治」。結果出乎意料，快來看看你愛用的模型排第幾！

工具與應用8 月 14 日2 分鐘

AI 界的競爭已進入白熱化階段！一個名為 Design Arena 的基準測試平台，正透過大規模的群眾投票，全面檢視各大 AI 在寫程式、建網站、生成圖像、影片乃至聲音等領域的真實實力。最新榜單顯示，Claude 在綜合實力上險勝 GPT-5，而 Midjourney 在影片生成領域簡直無 …

工具與應用8 月 14 日1 分鐘

AI 不再只是冰冷的機器。最新的 EQ-Bench 3 情商評測榜單出爐，結果可能讓你大吃一驚。本文將深入解析這份榜單，看看 Horizon-Alpha、Kimi、GPT-5 和 Gemini 等頂尖模型在「讀懂空氣」方面的真實表現，並探討為何情商正成為 AI 發展的下一個關鍵戰場。