Kertas penyelidikan

Pasukan dots Xiaohongshu lancar VibeLifeBench dan VibeSearchBench: tujuh model terkuat tiada yang lulus

Tajuk asal:把最强模型丢进真实生活一个月,没有一个及格

Ringkasan AI

Pasukan dots Xiaohongshu memperkenalkan dua penanda aras senario kehidupan iaitu VibeLifeBench dan VibeSearchBench; dalam ujian, tujuh model terkuat semasa tiada yang menyelesaikan isu kritikal seperti tempoh sah pasport pada titik masa yang betul, dengan skor tertinggi hanya 0.325 (Opus 5).

Maklumat penting

  • Pasukan dots Xiaohongshu memperkenalkan dua penanda aras senario kehidupan iaitu VibeLifeBench dan…
  • dalam ujian,tujuh model terkuat semasa tiada yang menyelesaikan isu kritikal seperti tempoh sah…
  • 325 (Opus 5).

Sekilas pandang

Diterbitkan pada
Dikemas kini pada
Sumber
公众号:小红书技术(dots.llm)
Kategori
Kertas penyelidikan
Skor AI
78
Baca asal Baca artikel penuh di sumber asal
Sebab disyorkan

两份基准将「主动性」「持久化」等模糊期待变为可量化信号,让模型在真实生活中的表现第一次有了可比较的刻度,会影响产品设计中对助手能力的评估方式。

Sumber dan hak cipta

Artikel ini disusun berdasarkan tajuk pilihan dan ringkasan AI daripada API awam AIHOT, dengan sumber dinyatakan dan pautan balik disediakan; hak cipta teks asal milik media dan penulis asal, laman ini tidak menyalin penuh teks penuh.

Pautan asal · Entri AIHOT

Cara memetik

Apabila memetik artikel ini, kekalkan tajuk, tarikh dan pautan kekal, serta nyatakan sumber sebagai Orange News.

Orange News: Pasukan dots Xiaohongshu lancar VibeLifeBench dan VibeSearchBench: tujuh model terkuat tiada yang lulus. 31 Julai 2026. https://new.nat6.net/ms/news/cmsdu108a00u8rofzj55w3j8n/

Lihat Semua →