Hacker News· nharada·· 5 小时前AI 评分74
Preference Model 审计 Terminal Bench 4：65 个任务中 60 个存在问题
Terminal Bench 4 Is Saturated
AI 导读
Preference Model 审计 Terminal Bench 4 的 65 个任务后发现，60 个任务至少存在一个问题：44 个可被作弊通过，41 个按指令未明确写出的规则评分。
来源：Hacker News · preferencemodel.com