实时
公共评估审核
热点事件历史事件
公共评估审核
1 篇报道1 个报道来源16 天前更新
先了解这件事
AI 综述
Prime Intellect Blog在审计LLMs的公开评估后,在AutomationBench和OfficeQA Pro v2中发现问题,由此带来的改进使得Claude Opus 5.5达到了92.15%的最高分。 审计揭示了现有基准的问题,促使调整以提升性能指标。Prime Intellect Blog分享了这些发现,重点介绍了对评估工具的改进及其对LLM评分的影响。
AI 根据报道生成 · 更新于 15 天前
报道时间线
沿着报道,了解事件的不同侧面。
11月3日
- Prime Intellect BlogPrime Intellect 博客发布公共评估审计的见解:AutomationBench 和 OfficeQA Pro v2 的改进
Prime Intellect 博客审计公共评估后发现 AutomationBench 和 OfficeQA Pro v2 存在问题,改进后 Claude Opus 5.5 最高得分 92.15%