熱點事件持續更新
Terminal Bench 4.0.0 audits
1 篇報導1 個報導來源3 小時前更新
先了解這件事
重點綜述
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。
根據報導自動生成 · 3 小時前更新
最新進展11月3日 22:15
Terminal‑Bench 4.0.0：兩項獨立審核顯示 45% 失效率報導時間線
沿著報導，瞭解事件的不同面向。
11月3日
- Dev.to Top TechTerminal‑Bench 4.0.0：兩項獨立審核顯示 45% 失效率
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。
本事件熱度趨勢
當前熱度 9·可比範圍峰值 10（11月3日 23:00）·近 24 小時可比範圍變化 –
趨勢僅比較持續完整觀測到的相同主體，範圍可能小於當前熱度統計。移動指標或點選圖表檢視每小時熱度；鍵盤可用左右方向鍵切換。
讀者討論
針對此事件的各方觀點與即時反饋