实体
Claude-Opus-4.6-Thinking
Claude-Opus-4.6-Thinking
PulseAugur coverage of Claude-Opus-4.6-Thinking — every cluster mentioning Claude-Opus-4.6-Thinking across labs, papers, and developer communities, ranked by signal.
总计 · 30天
2
90 天内 2
发布 · 30天
0
90 天内 0
论文 · 30天
2
90 天内 2
层级分布 · 90 天
主题
最近 · 第 1/1 页 · 共 2 条
-
新的PetroBench基准测试评估石油工程领域的大语言模型
一项新的基准测试PetroBench已被开发出来，用于专门评估大语言模型（LLMs）在石油工程领域的性能。该基准测试包含1200个不同格式的问题，涵盖生产、储层和钻井工程，并用于评估八个主流大语言模型。评估显示，尽管模型在事实辨别方面存在困难，尤其是在储层工程领域，但表现最佳的模型如Gemini-3-Pro、Kimi-K2.5和Claude-Opus-4.6-Thinking的总体得分在72%到74%之间。研究还指出了中国模型和国际模…
-
人工智能模型：选择基准而非炒作以获得真正性能
最近的一项分析强调，科技公司经常根据炒作而不是在相关基准上的表现来选择人工智能模型。文章强调，像SWE-bench（用于编码）、Terminal-Bench（用于DevOps）和GPQA Diamond（用于科学推理）这样的基准对于评估特定能力至关重要。文章建议，像MMLU和HumanEval这样经常被引用的基准现在已经饱和，无法再有效地区分领先的模型。