Hamel Husain 质疑 Terminal-Bench 等四个基准存在评分缺陷

Hamel Husain 发帖质疑行业对公开基准的依赖与其质量不匹配，并引用 Epoch AI 独立基准审查站点的结论，指出 Terminal-Bench 4.0.0、DeepSWE v1.1、OSWorld 2.1 和 HealthBench Professional 均存在评分缺陷。