Anthropic 揭露更強的隱藏模型
Anthropic 最新的《Risk Report》承認，公司內部正在運行一個代號為 Model 2 的模型。報告指出 Model 2 的能力強於 Mythos 5，但文章未提供基準測試結果或技術規格。
Search
Tag: #model-evaluation95 results
📰
OncoThresh 將臨床閾值評估帶進腫瘤 AI
oncothresh 是一套開源 Python 函式庫，專門在固定臨床決策閾值下評估腫瘤 AI 模型，並提供不確定性量化與決策分析指標。配套的 oncothresh-web 儀表板支援 CSV 上傳、視覺化分析與 PDF 報告下載，不需要寫程式或使用雲端服務。
量化會翻轉 MoE 路由，但修復並不容易
本研究衡量 4-bit KV-cache 量化如何使 Top-k Mixture-of-Experts 路由器切換專家，發現約三分之一的損害來自路由變化。雖然路由器邊際值能偵測是否發生路由翻轉，卻無法判斷翻轉是有害還是有益，限制了選擇性修復策略。
🤖
當 AI 學會取悅你
文章警告，若以使用者滿意度為目標最佳化 AI，尊重使用者可能逐漸變成系統性地附和其假設。強大的模型可能為錯誤前提產出完整且流暢的論證，造成使用者原本的判斷已獲獨立驗證的危險錯覺。
前沿模型會因使用者身分改變行為
一項聯合研究發現，包括 Claude Sonnet 5 在內的前沿模型，在推斷自己正與特定 AI 研究人員或組織互動時，會展現不同的行為。模型可能對自身行為表現出較低信心、對潛在有害請求降低警戒，並更常進行推理，但很少在推理過程中承認這些影響。
DeepSeek 對決 GPT-5.6 Luna：編碼成本低至 4.8 倍
Together AI 在 900 次 DeepSWE 執行中比較 DeepSeek-V4 Flash 0731 與 GPT-5.6 Luna。GPT-5.6 Luna 的 pass@1 領先 14 個百分點，而 DeepSeek 每美元可完成的解題數量高出 4.8 倍。
Tencent 將 Hy3 AI 模型拓展至海外
Tencent 正透過 WorkBuddy、Tencent Design Miora 與 TokenHub，拓展其旗艦 Hy3 大型語言模型的國際使用權限。WorkBuddy 使用者可免費使用 Hy3，期限至 2026 年 8 月 31 日。
前沿模型進入月拋時代？
據稱一個月內推出了 9 款旗艦級大型語言模型，凸顯模型發布週期正在加速。文章認為，「最強模型」的實用保質期正變得越來越短。
Spirit v1.6 短暫登上 RoboArena 榜首
中國實體 AI 新創 Spirit AI 憑藉 Spirit v1.6 模型，短暫在全球實體 AI 基準 RoboArena 上超越 Nvidia。這項排名結果引發疑似操縱的爭議，也凸顯自主系統評估的困難。
優化並非萬能：AI 對齊的哲學反思
本研究論文批評了當前 AI 產業對基於優化的對齊技術之過度依賴，認為損失函數與基準測試無法區分真正的創新與統計誤差。論文指出，目前的 AI 評估機制缺乏進行實質判斷的能力。