Translation(model translation, not the source's own text)
显示 0 个基准测试
没有基准测试匹配当前筛选条件
尝试清除一个或多个领域、技能、层级或搜索筛选条件。
洞察
将基准测试完整性得分与实时官方模型排行榜联系起来的跨研究发现,以及更多内容
1. 加固的领先者与暴露的超额表现者对比
比较当前一代模型在积极更新的 Tier S 留出评估和活跃的 Tier C 与 D 基准测试中的表现。缺少近期前沿模型的冻结旧版排行榜被排除,以防止队列偏差。
2. 时间半衰期:年龄与完整性得分对比
每个形状代表一个接受审计的基准测试:从左到右显示自上次重大更新以来已过去多少个月,从下到上显示其完整性得分(0–100)。圆形是私有的留出测试,随时间推移仍保持可信;菱形是公开或易于访问的数据集,往往随时间推移发生泄漏并失去价值。悬停或点击任意形状即可查看。
3. 领域与类别污染图景
Tier S–D 的分布以及各领域的平均得分。点击任意条形可筛选上方的表格。
4. 访问壁垒有效性
按问题和答案受保护严格程度对基准测试分组——从顶部的锁定私有服务器到底部的开放公开下载。每个条形显示该组的平均完整性得分(满分 100)、最低到最高范围,以及可点击的基准测试示例。