返回 返回
模型邮件每日6条一手
根据2026年10月的一篇arXiv论文，在Long-Horizon-Terminal-Bench 2.0基准测试中（包含13个领域的77项任务，每项任务允许运行三小时），测试的15个前沿模型中最强的GPT-6-astra解决了 37项任务，其次是GPT-5.6-sol，解决了32项
Zongxia Li 等人在 2026 年 10 月的一篇 arXiv 论文中报告称，GPT-6-astra 在 Long-Horizon-Terminal-Bench 2.0 上解决了 37 项任务，紧随其后的是 GPT-5.6-sol，解决了 32 项任务。这项研究衡量了 15 个前沿模型在 Long-Horizon-Terminal-Bench 2.0 上解决的任务数量，该基准包含 13 个领域的 77 项任务，每项任务允许 3 小时。
已核实 2026-10-27
知情者可追踪为何重要
能连续几小时无人监督地工作是智能体替代真实工作的前提，该基准测试揭示了当前前沿模型的能力
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