独立基准测试揭示了几种大型语言模型在各种指标上的性能。Muse Spark Open在GPQA上 đạt 89%,在SciCode上 đạt 58.4%,而Muse Glimmer在GPQA上 đạt 83.5%,在SciCode上 đạt 44.9%。Kimi K3.1 Pro在长上下文推理上表现强劲, đạt 86.3%,在SciCode上 đạt 60.8%。Qwen3.8 Max在GPQA上领先, đạt 92.8%,在长上下文推理上 đạt 80.3%。 AI
影响 提供了LLM在关键基准测试上的比较性能数据,有助于模型选择和开发。
排序理由 该集群报告了多个LLM的基准测试结果,属于研究范畴。
在 Mastodon — mastodon.social 阅读 →
- GPQA: A Graduate-Level Google-Proof Q&A Benchmark
- Humanity's Last Exam
- Kimi K3.1 Pro
- long-context reasoning
- Muse Glimmer
- Muse Spark Open
- SciCode
AI 生成摘要 · Google Gemini · 来自 4 个来源。 我们如何撰写摘要 →