Preference Model 审计 Terminal Bench 4 并发布修复版
热点事件持续更新
Preference Model 审计 Terminal Bench 4 并发布修复版
1 篇报道1 个报道来源4 小时前更新
先了解这件事
AI 综述
Preference Model 审计了 Terminal Bench 4 的 65 个任务，发现其中 60 个至少存在一个问题：44 个可被作弊通过，41 个按指令未明确写出的规则评分。该机构据此发布了修复后的移植任务，并称 Terminal Bench 4 比其排行榜显示的更接近被解决。 审计沿用 Harbor 的设置：以 Claude Code 为代理、最高推理强度、每任务 8 小时上限、每任务 5 次尝试；仅跳过 protein-autointerp-disulfide，因为解题需联网查询蛋白质数据库，而其环境不允许联网。
AI 根据报道生成 · 4 小时前更新
最新进展10月20日 03:55
Preference Model 审计 Terminal Bench 4：65 个任务中 60 个存在问题报道时间线
沿着报道，了解事件的不同侧面。
10月20日
- Hacker NewsPreference Model 审计 Terminal Bench 4：65 个任务中 60 个存在问题
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。
本事件热度走势
- 可比范围当前
- 9
- 可比范围峰值
- 1010月20日 05:00
- 近 24 小时变化
- –
02.557.510
05:0006:0007:0008:00
趋势仅比较持续完整观测到的相同主体，范围可能小于当前热度统计。移动指针或点击图表查看每小时热度；键盘可用左右方向键切换。