Anthropic 的 Claude Opus 4.8 在 LmArena 基准测试中表现出现回退，Elo 评分下降了 40 多分。这种下降归因于其社交训练、魅力或风格方面可能存在的问题，尤其是在启用风格控制时。该基准测试在准确衡量编码或代理能力方面的局限性意味着这种回退可能无法反映其在这些关键领域的实际表现。 AI
影响 LmArena 等基准测试中的性能回退可能表明模型对齐或训练存在问题，可能影响用户体验和信任。
排序理由 该集群讨论了特定基准测试中的性能回退，属于对 AI 模型的研究和评估范畴。 [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 →
