English(EN) Independently measured: Step3 VL 10B gets 69% on GPQA and 0% on Long Context Reasoning. Why the huge gap? https:// olud.ai/leaderboard.html # LLM # Benchmarks #

Step3 VL 10B 在基准测试中表现不一

作者 PulseAugur 编辑部 · [1 个来源] · 2026-10-01 14:00

对 Step3 VL 10B 模型的新评估显示，该模型在不同基准测试中存在显著的性能差异。该模型在 GPQA 基准测试中获得了 69% 的分数，表明其在研究生水平的问答方面表现强劲。然而，在长上下文推理任务上，其得分仅为 0%，凸显了其在处理扩展信息方面的关键弱点。 AI

影响突出了 Step3 VL 10B 模型在长上下文推理方面的特定弱点，指出了未来发展的方向。

排序理由该集群报告了某 AI 模型的基准测试结果，属于研究范畴。[lever_c_demoted from research: ic=1 ai=1.0]

在 Mastodon — mastodon.social 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。我们如何撰写摘要 →

本文如何被排名

Signal score: 0 / 100; Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket: Tool; 该集群报告了某 AI 模型的基准测试结果，属于研究范畴。[lever_c_demoted from research: ic=1 ai=1.0]
Source corroboration: Single-source cluster; Only one publisher covered this so far. Single-source stories can still rank when the publisher is high-authority, but they lack cross-source corroboration.
Topics: model release, other; Editorial topic classification. Feeds into how the story surfaces on /topic/<slug> hub pages and into the per-entity coverage mix.
AI-industry relevance: High; Clearly on-topic for AI-industry coverage.
Story freshness: 2 days old; Coverage has settled into its steady-state source set.

完整方法见我们的编辑标准。

报道来源 [1]

Mastodon — mastodon.social TIER_1 English(EN) · opensourceaitech · 2026-10-01 14:00

独立测量：Step3 VL 10B 在 GPQA 上获得 69%，在长上下文推理上获得 0%。为何差距如此之大？https:// olud.ai/leaderboard.html # LLM # Benchmarks #

Independently measured: Step3 VL 10B gets 69% on GPQA and 0% on Long Context Reasoning. Why the huge gap? https:// olud.ai/leaderboard.html # LLM # Benchmarks # OpenSource # AI

链接 olud.ai/leaderboard.html

本文如何被排名

报道来源 [1]

独立测量：Step3 VL 10B 在 GPQA 上获得 69%，在长上下文推理上获得 0%。为何差距如此之大？https:// olud.ai/leaderboard.html # LLM # Benchmarks #

相关实体

相关话题