micro-cc

新的kw-bench基准测试AI模型执行复杂调查任务

一个名为kw-bench的新基准测试已被开发出来，用于评估AI模型在复杂、现实世界的调查任务中的能力，超越了简单的生成式挑战。该基准测试侧重于从不完整和不一致的证据中重建财务数据等任务，模拟真实的专家参与。早期结果表明，像Claude Opus 5.5这样的前沿模型，在配备适当的束缚后，可以在几分钟内完成这些任务，与传统方法相比，大大降低了时间和成本。