OpenAI发布FrontierScience基准测试：GPT-5.2博士级科学推理正确率仅25%，揭示AI独立科研能力短板
OpenAI发布FrontierScience基准测试，系统评估AI在物理、化学、生物领域的博士级科学推理能力。测试结果显示：GPT-5.2在竞赛赛道达77%正确率，但在开放式研究赛道仅获25%得分...
排序
美团开源VitaBench智能体评测基准，破解AI跨场景应用难题
美团正式开源VitaBench智能体评测基准，针对外卖点餐、旅游出行等真实场景设计66种工具调用任务。数据显示当前领先模型跨场景任务成功率仅30%，通过深度推理、工具使用、用户交互三大维度量化短板，推...
哈佛医学院发布BRIDGE评测基准：全面评估大模型临床文本处理能力
BRIDGE（Benchmarking Large Language Models for Understanding Real-world Clinical Practice Text）是全球首个专...