一个新的基准测试 baba-is-harbor 被用来评估包括 Claude Opus 5、Kimi k3、Grok 4.5 和 Gemini 3.6 Flash 在内的几款近期大型语言模型。该基准测试此前曾在 Reddit 上分享，旨在评估这些模型的能力。评估还涉及 Claude Opus 5 与 Fable 5 的成本效益比较，并确定了测试模型中最昂贵的模型。 AI
影响 为近期发布的 LLM 提供比较性能数据，帮助开发人员选择模型。
排序理由 该集群涉及在特定任务上对多个 LLM 进行基准测试，属于研究范畴。[lever_c_demoted from research: ic=1 ai=1.0]
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →
