Terminal‑Bench 4.0.0：兩項獨立審核顯示 45% 失效率
Two independent audits of Terminal Bench 4: 41 of 65, or 30 of 66?
重點導讀
Terminal‑Bench 4.0.0 的評分缺陷被兩項獨立審核揭示，分別指出 45.5% 與 63% 的任務存在問題。
- - 兩種審核方法：Epoch AI 以 30/66（45.5%）的「Flawed」評價，涵蓋報酬盜取、答案外洩、偽負、偽正等缺陷。
- Preference Model 以 41/65（63%）計算未明確規則的失敗，僅屬偽負範疇。
AI 伴隨問答
針對這篇報導有疑問？可直接點選快捷問題或向 AI 追問背景脈絡與技術細節：
信源出處dev.to
Two independent audits of Terminal Bench 4: 41 of 65, or 30 of 66?
本文為 888news 精選之重點導讀。若需閱讀作者完整原文、技術細節與官方討論，請前往原始網站。
來源： Dev.to Top Tech (dev.to)
開啟原文