AI自我生成的技能毫无意义 — 颠覆LLM自我改进神话的实证研究
SkillsBench实证研究表明AI代理的技能自动生成实际上毫无帮助。在7,308条轨迹中，自我生成技能的效果为零，而人工策划技能提升了16.2个百分点。
标签
benchmark
3篇文章
Qwen 3.5在Vending-Bench 2中破产 — 基准测试偏重的陷阱
在标准基准测试中名列前茅的Qwen 3.5，在自动售货机经营模拟Vending-Bench 2中破产。探讨基准测试偏重带来的AI评估盲区。
MiniMax M2.5 — 开源权重与闭源模型的性能差距达到历史最低
MiniMax M2.5在SWE-Bench Verified上达到80.2%，超越Claude Opus 4.6。我们通过全面的基准测试数据，分析开源权重模型与闭源模型之间性能差距快速缩小的现状。