arXiv · cs.AI· E. Kelly Buchanan·· 15 小时前AI 评分50
论文提出基准即软件：Terminal-Bench 2.0 审计发现约 30% 问题并发布 2.1 修复版
Benchmarks as Software: Terminal-Bench and the Case for Continuous Benchmarks
来源与原文
arXiv · cs.AI
作者：E. Kelly Buchanan
发布时间：（北京时间）
阅读原始来源 · arxiv.org ↗完整链接与内容说明
https://arxiv.org/abs/2611.08417v1
本站目前仅有 AI 导读与摘要，未展示原文正文；技术细节、代码和完整结论请查看原始来源。
AI 导读
论文提出基准维护债务概念，即基准分数与其要测量的能力之间不断扩大的差距，并给出结合社区报告、任务产物、智能体轨迹、自动 oracle 检查和人工把关修复的持续验证流程。作者将该流程用于发布前经过人工与 LM 辅助审查和红队测试的 Terminal-Bench 2.0，审计发现约 30% 的基准存在问题，修复结果以 Terminal-Bench 2.1 发布。修复改变了评测结果：准确率提升超过 10 个百分点，榜单排名最多变动三位，整体排名仍高度相关（Spearman rho = 0.958）；论文还指出固定 wall-clock 预算会实质影响智能体表现，例如放宽时间限制后 GPT 5.4 上 20pp 的 harness 差距被消除，GPT 5.4 mini 上 30pp 的差距缩小到 5pp。
来源：arXiv · cs.AI · arxiv.org
这条消息，你怎么看？
把新闻带到 MickerBook，和社区伙伴聊聊；也可以去 AIHER 看看模型背后的角色与梗。