按标签查看文章: llm-benchmarks

AI 发布：Composer 2、Claude Computer Use

Composer 2 在 Kimi 上的拆解，OpenAI 收购，GPT-5.4 Mini，Claude 桌面版，Unsloth Studio。基准测试、价格、开发者趋势。阅读评论并在项目中应用。

AI 科学裁判：30B 在可引用性上优于 GPT-5.2

了解 Scientific Judge 和 Thinker 模型如何从摘要预测 arXiv 热门论文，准确率 80.6%。领域泛化与自我批判。面向 AI 开发者——方法细节与基准测试。

14 个 LLM 基准测试：分析与批判

对 SWE-bench、Terminal-Bench、τ² 和其他 LLM 测试的详细分析。了解弱点以及与开发任务的相关性。有意识地选择模型。