跳到正文
#评测/基准
  1. The Decoder80

    Anthropic 的 Fable 5.2 在 Remote Labor Index 上完成 41.3% 真实自由职业任务

    Anthropic 新模型 Fable 5.2 在 Scale Labs 与 CAIS 的 Remote Labor Index 上以 41.3% 的成绩居首，该基准衡量 AI 智能体完成真实自由职业项目并达到客户可接受质量的比例。

    推荐理由：Remote Labor Index 用真实自由职业项目衡量智能体完成度，并给出各模型排名与失败原因。

  2. The Decoder86

    Anthropic 发布 Claude Fable 5.2 与 Mythos 5.2，IPO 前重回性能领先

    Anthropic 发布 Claude Fable 5.2 和 Claude Mythos 5.2，两者共享同一模型底座，在 Artificial Analysis 的 Index v5 最高算力档以 65 分排名第一，领先 Gemini 4 Carbon 5 分、Claude Opus 5.5 6 分。

    推荐理由：文章给出新模型在第三方基准与内部安全测试上的具体分数和成本对比，可据此判断其能力位置与代价。

  1. GitHub Blog · AI & ML62

    GitHub 发布 AI 代码审查开放基准 ReviewBench

    GitHub 发布 AI 代码审查开放基准 ReviewBench，基于 1.039 亿个 GitHub PR 的分布构建 219 个公开 PR 语料，覆盖 19 种语言。

    推荐理由：GitHub 公开了基准的构建方法、评分规则和人工一致性数据，读者可据此判断 AI 代码审查评测的可信度。

已经到底了