基准2026年11月20日新基准让模型改进科学方法,而不是背出答案STEMBench 用科学家实际采用的指标评估十二项计算研究任务,再把模型结果放在通用基线与复现的专家方法之间。首轮结果描出任务层面的强弱项,专家对评分标准的验证仍待完成。赞同 0喜欢 0分享
基准2026年11月20日AWS 把模型分数和部署成本放到一起,比法仍取决于配置新的 JumpStart 榜单可以帮助选第一组候选。它最有用的地方,是让质量、速度和费用背后的条件更容易一起检查。赞同 0喜欢 0分享