返回 返回
模型邮件每日6条一手
Epoch AI让前沿模型反复对弈桌游《Earthborne Rangers》,测试它们是否会越玩越熟练,结果发现GPT-5.5和Claude Opus 4.8都未能妥善管理游戏核心的‘疲劳值’机制,平均每回合产生 2.1点疲劳值,而人类高手仅为0.6点,纯随机操作则高达3.5点
Epoch AI 进行了一项名为 EBR-bench 的基准测试，以检验人工智能系统是否通过重复练习在复杂任务上有所改进。他们让前沿人工智能模型多次玩棋盘游戏 Earthborne Rangers。研究发现，GPT-5.5 和 Claude Opus 4.8 每回合产生 2.1 点疲劳，而人类专家玩家为 0.6 点，纯随机玩法为 3.5 点。
已核实 2026-09-20
知情者可追踪为何重要
顶级模型在游戏资源管理方面仍不如专家，这表明测试可以揭示规划中的不足。
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