《The Measure of a Model》一文探讨如何衡量模型
lefthanddraft 在 X 分享文章《The Measure of a Model》，由 vooooogel 转发，主题围绕如何评估与衡量模型的价值展开。原文仅给出链接，未附正文摘要。
#评测/基准
#评测/基准
今日 5 条AGI HuntAI 评分2222 AGI HuntAI 评分3737 博主横评：GPT 6.1 SOL 强于推理与数据分析，Fable 与 Opus 专精编码
创业者 Bindu Reddy 横评多款前沿模型，GPT 6.1 SOL 与 Astra 在推理、数据分析和浏览器操作上表现出色，Fable 与 Opus 则擅长编码。但 Fable 与 Opus 在数据分析等任务上表现很差。其结论是没有万能模型，选哪个取决于具体使用场景。
AGI HuntAI 评分2626 还在用 HellaSwag 评模型？研究员一句话嘲讽评测惯性
研究员 michellechen 在 x 上指出，仍有团队用 2019 年的常识推理基准 HellaSwag 评测模型。HellaSwag 早已被前沿模型刷到接近饱和，这句吐槽戳中了评测体系更新滞后的行业惯性。
AGI HuntAI 评分3131 Wayve 伦敦 Uber 试乘超预期，体验直逼 Waymo
博主 @gbrulte 分享在伦敦通过 Uber 试乘 Wayve 监督模式自动驾驶，称驾驶平顺、能很好处理旧金山式车流并完成高速并线。他评价 Waymo 仍是当下明显领先者，但 Wayve 势头强劲，在旧金山和拉斯维加斯的乘坐体验好于 Zoox、无路口问题且更平顺，整体接近 Tesla Robotaxi，何时去掉监督是下一步关键。
AGI HuntAI 评分3030 用户实测抱怨 Qwen 2.1 出图风格单一，对比 Krea 2 Turbo 落败
一位图像创作者实测后认为，T2I 任务上 Krea 2 比 Qwen 2.1 更胜一筹。同样提示词增强下，Qwen 2.1 出图偏真实照片质感、纹理发灰，默认人物偏亚洲/动漫风，需加「West cartoon semi-realistic style」纠正。他偏好半写实卡通风格，此前用 Krea 2 Turbo 工作流几乎次次命中。
AGI HuntAI 评分3030 JevBench 作者回击：靠「感觉和信任」选模型是自欺
JevBench 作者 @airesearch12 回击「靠 vibes 和信任选模型」的说法，称靠感觉挑模型是自欺，或是在掩饰模型开发领域没有护城河。他承认 benchmark 不完美，但认为它仍是目前最好的客观、科学代理指标。JevBench 刻意设计成无法被 benchmaxxed：每次发布都更换指标与测试集构成，站点还提供号称全球首个 benchmaxxing 分数。
AGI HuntAI 评分3737 AI 周报：Fable 5.5 泄露、Sonnet 5.5 实测，GPT-6.1 与 Kimi K3.1 齐发
World of AI 周报用自建工具 woaibench.ai 实测 Claude Sonnet 5.5，并与 GPT-6 Sol、GPT-6 Astra、Opus 5.5 对比，认为 Anthropic 正强势回归。
AGI HuntAI 评分4343 GSO 榜单作者：榜单已接近饱和，任何 benchmark 约 5% 任务本身有问题
GSO 榜单作者 slimshetty 更新称，该榜单已接近饱和，很难再区分前沿模型，并判断任何 benchmark（包括他自己做的）预计至少约 5% 的任务本身存在质量问题。这被视为对评测体系局限性的第一手坦承，对解读各类跑分榜有参考价值。
AGI HuntAI 评分2020 同一提示词横评 ChatGPT、Claude 与 Figma Make，生成效果引对比
设计师账号 Tegadesigns 用同一提示词在 ChatGPT、Claude 和 Figma Make 三款工具中生成设计结果，贴出对比截图并发起投票，让读者选出心目中的赢家。三款工具的具体优劣需看配图，原文未给出结论性评价。
AGI HuntAI 评分2727 刷榜意义何在？Reddit 社区争论 ML 该优化哪个指标
Reddit 上一则帖子质疑 benchmark 分数持续上涨的意义，追问这些提升有多少真正转化为现实世界中更好的模型。作者主张研究应更关注鲁棒性、效率、可解释性与泛化，而不是在榜单上再挤 0.5%。帖子同时征集大家认为 2026 年更值得重视的指标。
Wired AIAI 评分6464 实测 Instinct：一个值得冒险的 AI 智能体
Wired 作者 Zoë Schiffer 试用邀请制 AI 智能体 Instinct，它通过 iMessage 和 WhatsApp 连接邮箱、日历与消息应用，替她完成威尼斯餐厅预订，还取消机票并拿到约 550 美元退款。
Import AIAI 评分4343 Import AI 465：开源与闭源模型的网络能力差距收窄、Kimi K3、Demis 的 AGI 监管方案
英国 AI Security Institute 分析显示，开源权重模型与闭源前沿模型的网络安全能力差距今年收窄，GLM-5.2 与 DeepSeek V4-Pro 水平接近 4–7 个月前发布的前沿闭源模型，窄于 2025 年大部分时间测得的 6–10 个月。
Import AIAI 评分4747 Import AI 461：Sequent 成立应对"对齐脱轨"，ChinaHeritaQA 评测 VLM 文化推理
英国 AI Security Institute 对齐团队与 Timaeus 联合成立非营利研究组织 Sequent，目标是研发能在超级智能到来前带来可信保障的对齐技术。