返回 返回
模型邮件每日6条一手
全新基准测试CL-Bench检验AI智能体能否在连续真实任务中真正从经验中学习，结果显示：表现最好的系统——采用全上下文学习的Claude Sonnet 4.6——相较其无记忆基线版本，归一化提升幅度也仅为25.4%
加州大学伯克利分校和Snorkel AI的研究人员推出了CL-Bench，这是一个新的基准，用于评估人工智能系统在现实任务中通过顺序经验改进的程度。他们测量了“增益指标”（gain metric）以将学习与先前的能力隔离开来。表现最好的系统是使用全上下文情境学习的Claude Sonnet 4.6，其相对于自身基线实现了25.4%的标准化增益。
已核实 2026-09-23
知情者可追踪为何重要
当今的人工智能代理几乎不从经验中学习，这严重限制了取代那些通过实践不断进步的人。
更多模型
- AI模型如今已能在国际数学奥林匹克竞赛中夺金,但斯坦福《2026年AI指数报告》发现,它们在一项大多数孩子很早就掌握的任务上仍会出错。在ClockBench的180种表盘设计、720道题目测试中,表现最好的模型 GPT-5.4 High正确读出模拟时钟时间的比例仅为50.6%,而人类为90.1%
- 闭源与开源AI模型的性能差距在2024年一度几乎抹平后再度拉开。截至2026年3月，斯坦福《2026年AI指数》显示，Arena排行榜上顶尖闭源模型相对顶尖开源模型领先3.3%，高于2024年8月的0.5%
- 斯坦福大学2026年AI指数报告追踪AI模型在GPQA Diamond基准上的表现——这是一套专为抵抗谷歌搜索而设计的博士级化学和物理题。2025年,模型在该基准上的平均准确率达到93%,而专家人类验证者的基线为81.2%——AI模型现已在GPQA Diamond上超越博士级专家12个百分点