AI基准测试
4 published articles
人工智能1 min read
Orchestrator swap
Perplexity在Computer中以Grok 4.5作为顶级编排模型，以半价击败Opus 4.8
Perplexity称Grok 4.5在其内部WANDR基准测试中优于其他五种编排配置，在准确率上以约一半的成本超越Claude Opus 4.8，现已在Computer中面向Pro和Max订阅者上线。
2026-07-14
人工智能Featured1 min read
Benchmark integrity
GPT-5.6 Sol (max) 领跑 CritPt，一个由未发表物理研究问题构成的新基准
GPT-5.6 Sol (max) 在 CritPt, , 一个由未发表的研究生级别研究问题构建的新物理基准测试中领先。根据 Artificial Analysis 的独立测试，其得分比 GPT-5.5 高出约 5 分，比 Claude Fable 5 高出 4 分。
2026-07-13
Vibe编程6 min read
前沿AI部署
Claude Fable 5与Mythos 5：AI的未来是门控智能
Anthropic的Claude Fable 5将Mythos级能力带给公众用户，而Mythos 5仍仅限可信访问。其部署模式, , 能力路由、回退分类器与分层访问, , 标志着前沿AI发布与使用方式的根本性转变。
2026-07-10
人工智能4 min read
人工智能
IFBench：测试AI指令遵循能力的新基准
IFBench衡量语言模型遵循精确自然语言指令的能力，这一能力至关重要但常被忽视。早期结果显示，xAI的Grok模型领先，而Claude模型尽管整体智能评分很高，却在此项测试中表现落后。
2026-07-07