METR时间地平线拆解:14.5小时下修到12小时,Agent长任务成功率这笔账怎么算一、一个刷了屏的数字,和它三周后的下修2026年2月20日前后,METR 公布了 Claude Opus 4.6 的 50% 时间地...2026-11-06阅读(75)
【大模型评测】数据集一变,指标就失去可比性,我们应该怎么做?不是所有数据集更新,都可以直接对比模型指标。必须先判断:这次数据变动,是不是破坏了可比性? 一、判断是否...2026-02-04阅读(401)