返回 返回
模型邮件每日6条一手
Epoch AI的“家具组装基准测试”向AI模型展示宜家家具组装过程中拍摄的照片,要求其依据官方说明书找出组装错误。最高得分从2025年11月Claude Opus 4.5创下的28%,提升至2026年9月由OpenAI GPT-6 Astra创下的80%,由OpenAI GPT-6 Astra于2026年9月创下
Epoch AI的家具组装基准（FAB）衡量AI模型根据官方手册识别宜家半组装家具照片中错误的能力。该基准包含60张图片，涵盖三种不同的宜家家具组装，其中一些包含故意设置的错误。模型根据识别出所有有错误的步骤并提供合理描述的能力进行评分。
已核实 2026-09-29
知情者可追踪为何重要
模型在理解物理任务照片方面正变得越来越好，这是朝着帮助现实世界工作迈出的一步。
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