GPT-5.6 Ter

实体 GPT-5.6 Ter

GPT-5.6 Ter

PulseAugur coverage of GPT-5.6 Ter — every cluster mentioning GPT-5.6 Ter across labs, papers, and developer communities, ranked by signal.

Show in brief

总计 · 30天

1

90 天内 1

发布 · 30天

0

90 天内 0

论文 · 30天

1

90 天内 1

层级分布 · 90 天

主题

情绪 · 30 天

1 天有情绪数据

最近 · 第 1/1 页 · 共 1 条

TOOL · CL_339160 · Nov 3 · 14:15

Terminal-Bench 4.0.0 基准测试在审计中存在缺陷，约一半的任务显示有缺陷

对 Terminal-Bench 4.0.0 基准测试的两次独立审计都揭示了重大缺陷，尽管其调查结果在范围和方法上有所不同。Epoch AI 报告称，在 66 个任务中有 30 个存在记录在案的评分缺陷，包括奖励攻击和答案泄露等问题。相比之下，Preference Model 在将其移植到自己的框架后审计了 65 个任务，发现有 41 个实例的评分器强制执行了未声明的规则，导致诚实的工作失败。两次审计都表明，基准测试中约有一半的任务存…