OpenAI 推出了 Genebench-Pro，这是一个新的基准测试，旨在评估 AI 模型在复杂、多步骤任务上的能力。该基准包含一系列需要推理、规划和工具使用的挑战。初步结果显示，当前模型在 Genebench-Pro 上的表现仍有提升空间。
新闻评测跑分
Genebench-Pro 内部解析
OpenAI 发布了 Genebench-Pro 基准测试，用于评估模型在复杂任务上的表现。
OpenAI1 分钟阅读
本文由 UsingAI 聚合整理。
阅读原文 ↗相关内容
新闻
中国大模型的政治回答并非“统一口径”：一项评测揭示的三个反常识
Vals AI 对 25 个模型的政治立场评测显示，中国模型对政治问题的回答并不像预期那样整齐划一，西方模型偶尔也会贴近北京官方立场，而提示词语言对回答倾向的影响尤其显著。
The Decoder2 分钟阅读
新闻
Google 想让视频 AI 学会“看准时机”：StreamVibe 揭示的难题
Google 团队构建了能在做饭、组装家具时按需出声的视频智能体 StreamVibe，但基准测试显示现有模型在长视频中难以判断“何时该开口”，错误会累积、回答质量骤降。
The Decoder2 分钟阅读
新闻
AI 引用的统计数据，只有四成能追溯到原始研究
一项在 Hacker News 引发讨论的统计显示，AI 回答中引用的统计数据仅约 40% 能回溯到原始研究，暴露出大模型在事实溯源上的系统性短板。
Hacker News2 分钟阅读